主要内容

预测

预测标签使用判别分析分类模型

扩展所有的页面

语法

标签=预测(Mdl, X)
(标签、分数、成本)=预测(Mdl, X)

描述

标签=预测(Mdl,X)返回一个矢量预测类标签的预测数据表或矩阵X基于判别分析训练分类模型Mdl。

(标签,分数,成本)=预测(Mdl,X)返回:

  • 一个矩阵的分类评分(分数)显示一个标签的可能性来自于一个特定的类。判别分析,分数后验概率。

  • 一个矩阵的预期成本分类(成本)。为每一个观察X,预测类标签对应的最低预期分类成本在所有类。

输入参数

全部展开

判别分析分类模型,指定为一个ClassificationDiscriminant或CompactClassificationDiscriminant模型对象返回的fitcdiscr。

预测数据分类,指定为一个数字矩阵或表。

每一行的X对应于一个观察,每一列对应一个变量。所有的预测变量X必须是数值向量。

  • 对于一个数字矩阵,变量的列组成X必须有相同的订单预测变量,训练吗Mdl。

  • 一个表:

    • 预测不支持多列变量和细金宝app胞数组以外的细胞阵列的特征向量。

    • 如果你训练Mdl使用一个表(例如,资源描述),那么所有的预测变量X必须有相同的变量名和数据类型的培训Mdl(存储在Mdl.PredictorNames)。然而,列的顺序X不需要对应的列顺序资源描述。资源描述和X可以包含额外的变量(响应变量,观察体重、等等),但预测忽略了它们。

    • 如果你训练Mdl使用一个数字矩阵,然后预测名称Mdl.PredictorNames和相应的预测变量名称X必须相同。指定预测名称在训练,看到PredictorNames名称-值对的观点fitcdiscr。X可以包含额外的变量(响应变量,观察体重、等等),但预测忽略了它们。

数据类型:表|双|单

输出参数

全部展开

预测类标签,作为分类或字符数组,返回逻辑或者数值向量、数组或单元的特征向量。

为每一个观察X,预测类标签对应的最低预期分类成本在所有类。的观察与南分数,该函数将观察分为多数类,占最大比例的训练标签。

标签:

  • 是相同的数据类型作为观察类标签(Y),训练Mdl。(软件对字符串数组作为细胞阵列特征向量)。

  • 长度等于的行数的X。

预测类后验概率返回一个数字矩阵的大小N——- - - - - -K。N观察(行)的数量吗X,K类的数量(在吗Mdl.ClassNames)。评分(i, j)是观察的后验概率我在X的类j在Mdl.ClassNames。

预期成本分类,作为一个矩阵的大小返回N——- - - - - -K。N观察(行)的数量吗X,K类的数量(在吗Mdl.ClassNames)。成本(i, j)行分类的成本吗我的X作为类j在Mdl.ClassNames。

例子

全部展开

打开生活的脚本

加载费雪的虹膜数据集。确定样本容量。

负载fisheriris1)N =大小(量;

分区数据分为训练集和测试集。坚持10%的数据进行测试。

rng (1);%的再现性本量利= cvpartition (N,“坚持”,0.1);idxTrn =培训(cvp);%训练集指数idxTest =测试(cvp);%测试集指数

将训练数据存储在一个表。

tblTrn = array2table(量(idxTrn:));tblTrn。Y=species(idxTrn);

使用训练集训练判别分析模型和默认选项。

Mdl = fitcdiscr (tblTrn,“Y”);

为测试集预测标签。你训练Mdl使用一个表的数据,但是您可以使用一个矩阵预测标签。

标签=预测(Mdl量(idxTest:));

构建一个测试集的混合矩阵。

confusionchart(物种(idxTest)、标签)

图包含一个ConfusionMatrixChart类型的对象。

Mdl分类一个杂色的虹膜virginica在测试集。

打开生活的脚本

加载费雪的虹膜数据集。考虑培训使用花瓣长度和宽度。

负载fisheririsX =量(:,3:4);

使用整个列车二次判别分析模型的数据集。

Mdl = fitcdiscr (X,物种,“DiscrimType”,“二次”);

定义一个网格的值观察预测空间。预测网格中的每个实例的后验概率。

xMax = max (X);xMin = min (X);d = 0.01;[x1Grid, x2Grid] = meshgrid (xMin (1): d: xMax (1) xMin (2): d: xMax (2));[~,分数]=预测(Mdl [x1Grid (:), x2Grid (:)));Mdl.ClassNames
ans =3 x1细胞{' setosa}{“癣”}{' virginica '}

分数是一个矩阵类的后验概率。列对应的类Mdl.ClassNames。例如,分数(j, 1)是观察的后验概率j是一个setosa虹膜。

情节的后验概率杂色的分类为每个网格中的观察和情节的训练数据。

图;contourf (x1Grid x2Grid,重塑(分数(:,2),大小(x1Grid, 1),大小(x1Grid, 2)));h = colorbar;caxis ([0 1]);colormap飞机;持有在gscatter (X (: 1) X(:, 2),物种,“mcy”,的方式来+);轴紧标题(“杂色的后验概率”);持有从

图包含一个坐标轴对象。坐标轴对象标题后验概率的杂色的包含4类型的对象轮廓,线。杂色的,这些对象代表setosa virginica。

后验概率地区公开决策边界的一部分。

更多关于

全部展开

扩展功能

版本历史

介绍了R2011b

另请参阅

|||||

主题