如何在R语言中创建循环函数，批量运行lda模型并绘图？

1. 准备工作 #

首先加载LDA模型依赖的MASS包，并重命名先验概率序列避免参数冲突：

library(MASS)
prior_vals <- seq(0, 1, 0.10)  # 生成0到1、步长0.1的先验概率序列

2. 用for循环批量运行LDA模型 #

新手友好的基础循环方式，逐个运行模型并存储结果：

# 初始化空列表存储所有模型
lda_models <- list()

for (i in seq_along(prior_vals)) {
  current_p <- prior_vals[i]
  # 传入对应先验概率运行LDA
  lda_models[[i]] <- lda(Y ~ ., data = liver, prior = c(1 - current_p, current_p))
  # 打印进度提示（可选）
  cat("完成第", i, "个模型，先验概率p =", current_p, "\n")
}

3. 用函数+批量处理简化代码 #

封装自定义函数后，用lapply实现更简洁的批量运行：

# 定义运行LDA的函数
run_lda <- function(p, data) {
  lda(Y ~ ., data = data, prior = c(1 - p, p))
}

# 批量生成模型并命名
lda_models <- lapply(prior_vals, run_lda, data = liver)
names(lda_models) <- paste0("prior_", prior_vals)  # 给模型命名方便索引

4. 结果可视化：先验概率与模型准确率关系 #

以训练集分类准确率为例，绘制先验概率对模型性能的影响：

4.1 计算每个模型的准确率 #

accuracy <- numeric(length(prior_vals))

for (i in seq_along(prior_vals)) {
  # 对训练集做预测
  pred_result <- predict(lda_models[[i]], newdata = liver)
  # 计算准确率
  accuracy[i] <- mean(pred_result$class == liver$Y)
}

4.2 基础绘图（无需额外包） #

plot(prior_vals, accuracy, type = "b", pch = 16, col = "#2E86AB",
     xlab = "类别2的先验概率", ylab = "训练集分类准确率",
     main = "LDA模型准确率随先验概率变化")
grid(lty = 2, col = "gray")  # 添加网格线提升可读性

4.3 ggplot2绘图（更美观的可视化） #

如果需要更精致的图表，使用ggplot2包：

library(ggplot2)
# 整理数据为数据框
result_df <- data.frame(Prior = prior_vals, Accuracy = accuracy)

ggplot(result_df, aes(x = Prior, y = Accuracy)) +
  geom_line(color = "#2E86AB", linewidth = 1) +
  geom_point(size = 3, color = "#F24C4C") +
  labs(x = "类别2的先验概率", y = "训练集分类准确率",
       title = "LDA模型性能随先验概率的变化趋势") +
  theme_minimal()

内容的提问来源于stack exchange，提问作者JSG