我试图理解灵活的判别函数分析，特别是＆＃34; fda＆＃34;命令在＆＃34; mda＆＃34; R中的包。我的理解是默认方法是一个简单的线性判别函数分析，我可以使用以下代码（来自文档中的示例）了解我的哪个原始预测变量对每个判别式的贡献最大：
data(iris)
irisfit <- fda(Species ~ ., data = iris)
coef(irisfit)
[,1] [,2]
Intercept -2.1264786 -6.72910343
Sepal.Length -0.8377979 0.02434685
Sepal.Width -1.5500519 2.18649663
Petal.Length 2.2235596 -0.94138258
Petal.Width 2.8389936 2.86801283
我的理解是，从上面我们可以将Petal.Width解释为对DF1群体的歧视做出最大贡献（尽管在这个例子中，其他变量具有相似的区别）。
现在我试图在方法设置为mars时获得类似的系数（例如，当使用灵活的判别函数分析时）。
irisfit <- fda(Species ~ ., data = iris,method=mars)
coef(irisfit)
[,1] [,2]
[1,] 7.0488114 -2.107810
[2,] -1.6956574 5.520759
[3,] -4.6872316 2.640739
[4,] -2.7177875 -3.155109
[5,] 3.0196475 -2.095824
[6,] -0.9007739 -2.515975
[7,] -0.6596193 -1.423301
请原谅我对该方法的有限理解，但我不清楚这里返回什么/如何解释这些值（例如，有七行但只有四个初始变量...是系数现在还包括模型中的非线性项？）。我无法从Hastie等人那里得知这一点。纸...
另外，我应该解释一下，我分析的主要动机不是产生的分类，而是要了解哪种变量在这种分类中具有最大的辨别能力。我正在探索其他方法，但认为fda可能有用......
提前致谢！