主要内容

CompactClassificationDiscriminant

包:classreg.learning.classif

紧凑的判别分析类

扩展所有的页面

描述

一个CompactClassificationDiscriminant对象是一个紧凑的判别分析分类器。紧凑版本不包括的数据训练分类器。因此,你无法用一个紧凑的分类器执行一些任务,比如交叉验证。使用一个紧凑的分类器进行预测(分类)的新数据。

建设

cobj=紧凑(obj)构造一个紧凑的分类器从一个完整的分类器。

cobj= makecdiscr (μ,σ)结构紧凑的判别分析分类器类的意思μ和协方差矩阵σ。语法细节,请参阅makecdiscr。

输入参数

obj

判别分析分类器,使用创建的fitcdiscr。

属性

BetweenSigma

p——- - - - - -p类间的协方差矩阵,p预测的数量。

CategoricalPredictors

分类预测指标,这始终是空的([])。

一会

训练数据中的元素的列表Y删除重复的。一会可以是一个绝对数组,单元阵列的特征向量,字符数组,逻辑向量,或一个数值向量。一会具有相同的数据类型作为数据的论点吗Y。(软件对字符串数组作为细胞阵列特征向量)。

多项式系数

k——- - - - - -k系数矩阵的结构,k类的数量。多项式系数(i, j)包含系数的线性或二次类之间的界限我和j。字段多项式系数(i, j):

  • DiscrimType

  • Class1- - - - - -一会(我)

  • 类别2- - - - - -一会(j)

  • 常量——一个标量

  • 线性——一个向量p组件,p列的数量吗X

  • 二次- - - - - -p——- - - - - -p矩阵,存在二次DiscrimType

类之间的边界方程我和类j是

常量+线性*x+x '*二次*x=0,

在哪里x是一个列向量的长度p。

如果fitcdiscr有FillCoeffs名称-值对将“关闭”当构建分类器,多项式系数是空的([])。

成本

方阵,成本(i, j)是一个指向类分类的成本j如果它真正的类我(即。,the rows correspond to the true class and the columns correspond to the predicted class). The order of the rows and columns of成本对应于类的顺序一会。行和列的数量成本在响应中是独特的类的数量。

改变一个成本使用点符号矩阵:obj。成本=成本Matrix。

δ

δ值阈值线性判别模型,一个负的标量。如果一个系数obj有大小小于δ,obj这个系数设置为0,所以你可以消除相应的预测模型。集δ消除更多的预测更高的价值。

δ必须0对二次判别模型。

改变δ使用点符号:obj。Delta = newDelta。

DeltaPredictor

行向量的长度等于预测的数量obj。如果DeltaPredictor (i) <三角洲然后系数我的模型是0。

如果obj是一个二次判别模型,所有元素的DeltaPredictor是0。

DiscrimType

特征向量指定判别类型。之一:

  • “线性”

  • “二次”

  • “diagLinear”

  • “diagQuadratic”

  • “pseudoLinear”

  • “pseudoQuadratic”

改变DiscrimType使用点符号:obj。D我scrimType = newDiscrimType。

你可以改变线性类型之间,或二次类型之间,但不能改变之间的线性和二次类型。

γ

伽马值正则化参数,一个标量0来1。改变γ使用点符号:obj。γ= newGamma。

  • 如果你设置1线性判别,判别其类型“diagLinear”。

  • 如果你设置一个值MinGamma和1线性判别,判别其类型“线性”。

  • 你不能设置值的值以下MinGamma财产。

  • 对于二次判别,可以设置0(DiscrimType“二次”)或1(DiscrimType“diagQuadratic”)。

LogDetSigma

在类协方差矩阵的行列式的对数。的类型LogDetSigma取决于判别类型:

  • 标量线性判别分析

  • 向量的长度K二次判别分析,K类的数量吗

MinGamma

负的标量,γ参数的最小值,以便相关矩阵是可逆的。如果相关矩阵不是单一的,MinGamma是0。

μ

类方法,指定为一个K——- - - - - -p标量值类的矩阵大小的方法。K类的数量,p预测的数量。每一行的μ多元正态分布的均值代表相应的类。类指标的一会属性。

PredictorNames

单元阵列为预测变量的名称,在他们的顺序出现在训练数据X。

之前

每个类的先验概率数值向量。元素的顺序之前对应于类的顺序一会。

添加或更改之前使用点符号向量:obj。Prior = priorVector。

ResponseName

特征向量描述变量的响应Y。

ScoreTransform

特征向量代表一个内置的转换函数,或一个函数处理转变分数。“没有”意味着没有转换;同样,“没有”意味着@ x (x)。的内置转换函数和自定义的语法转换函数,看看fitcdiscr。

实现点符号添加或更改ScoreTransform使用下列功能:

  • cobj。ScoreTransform = '函数”

  • cobj。ScoreTransform = @函数

σ

在类的协方差矩阵或矩阵。尺寸取决于DiscrimType:

  • “线性”(默认)-矩阵的大小p——- - - - - -p,在那里p预测的数量吗

  • “二次”——数组的大小p——- - - - - -p——- - - - - -K,在那里K类的数量吗

  • “diagLinear”行向量的长度p

  • “diagQuadratic”——数组的大小1——- - - - - -p——- - - - - -K

  • “pseudoLinear”矩阵的大小p——- - - - - -p

  • “pseudoQuadratic”——数组的大小p——- - - - - -p——- - - - - -K

对象的功能

compareHoldout 比较两种分类模型使用新数据的精度
边缘 分类的优势
石灰 本地可model-agnostic解释(石灰)
logp 为判别分析分类器日志无条件概率密度
损失 分类错误
泰姬陵 而距离类判别分析分类器的手段
保证金 分类的利润率
nLinearCoeffs 数量的非零线性系数
partialDependence 计算部分依赖
plotPartialDependence 创建部分依赖图(PDP)和个人条件期望(ICE)情节
预测 预测标签使用判别分析分类模型
沙普利 沙普利值

复制语义

价值。学习如何价值类影响复制操作,明白了复制对象。

例子

全部折叠

打开生活的脚本

加载示例数据。

负载fisheriris

构造一个判别分析分类器对样本数据。

fullobj = fitcdiscr(量、种类);

构造一个紧凑的判别分析分类器,并比较其大小的分类器。

cobj =紧凑(fullobj);b =谁(“fullobj”);% b。字节= fullobj的大小c =谁(“cobj”);% c。字节= cobj的大小[b。字节c.bytes]%显示cobj使用内存的60%
ans =1×218291 11678

紧凑的分类器小于完整的分类器。

打开生活的脚本

构造一个紧凑的判别分析分类器的均值和方差费舍尔虹膜数据。

负载fisheririsμ(1:)=意味着(量(1:50,:));:μ(2)=意味着(量(51:100:));μ(3)=意味着(量(101:150:));mm1 = repmat(μ(1:),50岁,1);平方毫米= repmat(μ(2:),50岁,1);mm3 = repmat(μ(3:),50岁,1);cc =量;cc (1:50:) = cc (1:50,:) - mm1;cc (51:100:) = cc(51:100:) -平方毫米;cc (101:150:) = cc (101:150:) - mm3; sigstar = cc' * cc / 147; cpct = makecdiscr(mu,sigstar,…“类名”,{“setosa”,“多色的”,“virginica”});

更多关于

全部展开

扩展功能

另请参阅

|||||

主题

介绍了R2011b

统计和机器学习工具箱文档

金宝app

掌握机器学习:一个循序渐进的指导与MATLAB

掌握机器学习:一个循序渐进的指导与MATLAB

下载电子书