主要内容

CompactClassificationDiscriminant

包:classreg.learning.classif

压缩判别分析类

展开全部页面

描述

一个CompactClassificationDiscriminant对象是一个判别分析分类器的压缩版本。精简版不包括训练分类器的数据。因此，不能使用紧凑分类器执行某些任务，例如交叉验证。使用紧凑分类器对新数据进行预测(分类)。

建设

cobj=紧凑(obj）从完整分类器构造紧凑分类器。

cobj= makecdiscr (μ，σ）由类均值构造一个紧凑的判别分析分类器μ协方差矩阵σ．有关语法的详细信息，请参见makecdiscr．

输入参数

obj

判别分析分类器，创建使用fitcdiscr．

属性

BetweenSigma

p——- - - - - -p矩阵，类间协方差，其中p是预测因子的数量。

CategoricalPredictors

分类预测器索引，始终为空(［］)。

一会

训练数据中的元素列表Y删除副本。一会可以是分类数组、字符向量的单元格数组、字符数组、逻辑向量或数字向量。一会与实参中的数据类型相同Y．(该软件将字符串数组视为字符向量的单元格数组。)

多项式系数

k——- - - - - -k系数矩阵的结构，其中k是类的数量。多项式系数(i, j)包含类之间线性或二次边界的系数我而且j．字段多项式系数(i, j)：

  • DiscrimType

  • Class1- - - - - -一会(我)

  • 类别2- - - - - -一会(j)

  • 常量—标量

  • 线性-矢量p组件,p列的数量是多少X

  • 二次- - - - - -p——- - - - - -p矩阵，对于二次元存在DiscrimType

类与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列向量是长度吗p．

如果fitcdiscr有FillCoeffs名称-值对设置为“关闭”在构造分类器时，多项式系数为空(［］)．

成本

方阵，其中成本(i, j)将一个点分类的成本是多少j如果它真正的阶级是我(即行对应真实的类，列对应预测的类)。的行和列的顺序成本中类的顺序对应一会．中的行数和列数成本响应中唯一类的数量。

改变一个成本使用点表示法的矩阵:obj。成本＝成本Matrix．

δ

线性判别模型的Delta阈值，非负标量。如果的系数obj大小小于δ，obj将这个系数设为0，这样你就可以从模型中消除相应的预测器。集δ到更高的值，以消除更多的预测因素。

δ必须0对于二次判别模型。

改变δ使用点符号:obj。Delta = newDelta．

DeltaPredictor

行向量的长度等于中的预测数obj．如果deltappredictor (i) < Delta然后系数我模型的特点是0．

如果obj是二次判别模型，所有元素的DeltaPredictor是0．

DiscrimType

指定鉴别类型的字符向量。之一:

  • “线性”

  • “二次”

  • “diagLinear”

  • “diagQuadratic”

  • “pseudoLinear”

  • “pseudoQuadratic”

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

您可以在线性类型之间或二次类型之间进行更改，但不能在线性和二次类型之间进行更改。

γ

Gamma正则化参数的值，从的标量0来1．改变γ使用点符号:obj。= newGamma．

  • 如果你设置1对于线性判别式，判别式将其类型设置为“diagLinear”．

  • 如果你设置一个值MinGamma而且1对于线性判别式，判别式将其类型设置为“线性”．

  • 属性的值以下不能设置值MinGamma财产。

  • 对于二次判别，你可以任意设置0(DiscrimType“二次”)或1(DiscrimType“diagQuadratic”)．

LogDetSigma

类内协方差矩阵行列式的对数。的类型LogDetSigma取决于判别类型:

  • 线性判别分析的标量

  • 长度向量K对于二次判别分析，其中K是课程的数量吗

MinGamma

非负标量，参数的最小值，使相关矩阵是可逆的。如果相关矩阵不是奇异的，MinGamma是0．

μ

类的意思是，指定为K——- - - - - -p矩阵的标量值类大小的平均数。K是班级的数量，和p是预测因子的数量。每行μ表示对应类的多元正态分布的均值。类索引在一会属性。

PredictorNames

预测变量名称的单元格数组，按照它们在训练数据中出现的顺序X．

之前

每个类的先验概率的数字向量。元素的顺序之前中类的顺序对应一会．

添加或更改之前用点表示的向量:obj。Prior = priorVector．

ResponseName

描述响应变量的特征向量Y．

ScoreTransform

表示内置转换函数的字符向量，或用于转换分数的函数句柄。“没有”表示没有变换;同样,“没有”意味着@ x (x)．有关内置转换函数的列表和自定义转换函数的语法，请参见fitcdiscr．

实现点表示法来添加或更改ScoreTransform使用以下方法之一函数:

  • cobj。ScoreTransform = '函数＇

  • cobj。ScoreTransform = @函数

σ

类内协方差矩阵或矩阵。维度取决于DiscrimType：

  • “线性”(默认)-大小矩阵p——- - - - - -p,在那里p预测因子的数量是多少

  • “二次”-大小数组p——- - - - - -p——- - - - - -K,在那里K是课程的数量吗

  • “diagLinear”-长度的行向量p

  • “diagQuadratic”-大小数组1——- - - - - -p——- - - - - -K

  • “pseudoLinear”-大小矩阵p——- - - - - -p

  • “pseudoQuadratic”-大小数组p——- - - - - -p——- - - - - -K

对象的功能

compareHoldout 比较使用新数据的两种分类模型的准确性
边缘 分类的优势
石灰 局部可解释模型不可知解释(LIME)
logp 对数无条件概率密度用于判别分析分类器
损失 分类错误
泰姬陵 马氏距离类的判别分析分类器的手段
保证金 分类的利润率
nLinearCoeffs 非零线性系数的个数
partialDependence 计算部分依赖关系
plotPartialDependence 创建部分依赖图(PDP)和个别条件期望图(ICE)
预测 使用判别分析分类模型预测标签
沙普利 沙普利值

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部折叠

打开实时脚本

加载样例数据。

负载fisheriris

对样本数据构造判别分析分类器。

Fullobj = fitcdiscr(meas,species);

构造一个紧凑判别分析分类器，并将其大小与完整分类器的大小进行比较。

Cobj = compact(fullobj);B = whos(“fullobj”）;% b.bytes = fullobj的大小C = whos(“cobj”）;% c.bytes = cobj的大小[b。字节c.bytes]%表示cobj使用了60%的内存
ans =1×218291 11678

紧凑分类器比完整分类器小。

打开实时脚本

利用Fisher虹膜数据的均值和协方差构造一个紧凑的判别分析分类器。

负载fisheririsMu (1，:) = mean(meas(1:50，:));Mu (2，:) = mean(meas(51:100，:));Mu (3，:) = mean(meas(101:150，:));Mm1 = repmat(mu(1，:)，50,1);Mm2 = repmat(mu(2，:)，50,1);Mm3 = repmat(mu(3，:)，50,1);Cc = meas;Cc (1:50，:) = Cc (1:50，:) - mm1;Cc (51:100，:) = Cc (51:100，:) - mm2;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

版本历史

在R2011b中引入

另请参阅

|||||

主题