lda主要用于线性降维，有以下几种用法

1.一般的
lda(x, ...)

2.对于公式类的
lda(formula, data, ..., subset, na.action)

3.默认
lda(x, grouping, prior = proportions, tol = 1.0e-4,
    method, CV = FALSE, nu, ...)

3.对于数据是数据框结构的
lda(x, ...)

4.对于数据的矩阵的
lda(x, grouping, ..., subset, na.action)

例子
Iris <- data.frame(rbind(iris3[,,1], iris3[,,2], iris3[,,3]),
                   Sp = rep(c("s","c","v"), rep(50,3)))
train <- sample(1:150, 75)
table(Iris$Sp[train])
## your answer may differ
##  c  s  v
## 22 23 30
z <- lda(Sp ~ ., Iris, prior = c(1,1,1)/3, subset = train)
predict(z, Iris[-train, ])$class
##  [1] s s s s s s s s s s s s s s s s s s s s s s s s s s s c c c
## [31] c c c c c c c v c c c c v c c c c c c c c c c c c v v v v v
## [61] v v v v v v v v v v v v v v v
(z1 <- update(z, . ~ . - Petal.W.))

library(MASS)
#lda()格式：第一个参数是指定做fisher判别法的指标，用~连接，左边是组别，右边是指标（多个的话用+连接）
#第二个参数是指定数据，在这里我们用的数据是上面读取的shuju，就用data=shuju来指定
#把做好fisher判别法的结果存在bqlda中
bqlda<-lda(number~x1+x2+x3+x4+x5+x6,data=shuju)
bqlda

学习了，谢谢分享。