主要内容

ClassificationDiscriminant类

超类:CompactClassificationDiscriminant.

判别分析分类

展开所有页面

描述

一个ClassificationDiscriminant对象封装判别分析分类器，其是用于数据生成的高斯混合模型。一个ClassificationDiscriminant对象可以使用预测方法。该对象包含用于培训的数据，因此可以计算重新提交预测。

建造

创建一个ClassificationDiscriminant对象的使用fitcdiscr．

属性

BetweenSigma

p——- - - - - -p矩阵，阶级间协方差，在哪里p是预测器的数量。

CategoricalPredictors

分类预测器索引，总是为空(［］）。

一会

训练数据中的元素列表Y删除了重复项。一会可以是类别数组、字符向量单元格数组、字符数组、逻辑向量或数字向量。一会是否与参数中的数据具有相同的数据类型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系数矩阵结构，其中k为类数。多项式系数(i, j)包含类之间的线性或二次边界的系数我和j．字段多项式系数(i, j)：

  • DiscrimType

  • Class1.- - - - - -一会(我)

  • Class2.- - - - - -一会(j)

  • 常量——一个标量

  • 线性-带有p组件,p是列数X

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

类间边界方程我和类j是

常量+线性＊x+X'＊二次＊x＝0，

在哪里x列向量是长度的吗p．

如果fitcdiscr有这一点FillCoeffs名称-值对设置为“关闭”在构造分类器时，多项式系数是空的(［］）.

成本

方矩阵，在哪里成本(i, j)是将一个点分类为课程的成本j如果它真正的阶级是我(即，行对应真正的类，列对应预测的类)。的行和列的顺序成本中类的顺序一会．中的行数和列数成本是响应中唯一类的数量。

改变一个成本使用点符号的矩阵:obj。成本＝成本Matrix．

δ

线性判别模型的增量阈值的值，非负标量。如果是一个系数obj大小小于δ，obj设此系数为0，因此您可以从模型中消除相应的预测器。放δ，以消除更多的预测因素。

δ必须是0用于二次判别模型。

改变δ使用点符号:obj.delta = newdelta．

deltapredictor

行向量的长度等于中预测器的数量obj．如果DeltaPredictor (i) <三角洲然后是系数我模型的一个特点是0．

如果obj是一个二次判别模型，所有的元素deltapredictor是0．

DiscrimType

指定鉴别类型的字符向量。之一:

  • '线性'

  • “二次”

  • “diagLinear”

  • “diagQuadratic”

  • “pseudoLinear”

  • '伪拟合'

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

您可以在线性类型或二次类型之间更改，但在线性和二次类型之间无法更改。

γ

正则化参数的值，从0到1．改变γ使用点符号:obj。γ= newGamma．

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

  • 如果您在介于之间设置值MinGamma和1对于线性判别器，判别器将其类型设置为'线性'．

  • 的值以下的值不能设置MinGamma财产。

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

HyperparameterOptimizationResults

超参数的交叉验证优化的描述，存储为a贝叶斯偏见对象或包含超参数和关联值的表。非空的时优化hyperParameters.名称 - 值对在创建时是非空的。价值取决于设置的设置HyperParameterOptimizationOptions.创建中的名称 - 值对：

  • “bayesopt”(默认)-类的对象贝叶斯偏见

  • “gridsearch”要么“randomsearch”- 使用的超参数表，观察到的目标函数值（交叉验证丢失），以及从最低（最佳）到最高（最差）的观察等级

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

  • 向量的长度K对于二次判别分析，式中K是班级数吗

MinGamma

非负标量，Gamma参数的最小值，使相关矩阵可逆。如果相关矩阵不奇异，MinGamma是0．

ModelParameters

用于培训的参数obj．

亩

类手段，指定为aK——- - - - - -p标量值类规模的矩阵。K是班数，和p是预测器的数量。每一行的亩表示对应类多元正态分布的均值。类索引在一会属性。

NumObservations

训练数据中的观察数，数字标量。NumObservations是否可以小于输入数据的行数X当在X或反应Y．

PredictorNames

预测器变量的名称数组，按顺序显示在培训数据中X．

事先的

每个类的先验概率的数字向量。元素的顺序事先的中类的顺序一会．

添加或更改事先的载体使用点表示法：obj.prior = praftvector.．

ResponseName

描述响应变量的字符向量Y．

ScoreTransform

表示内置转换函数或转换分数的函数句柄的字符向量。“没有”意味着没有转型;同等，“没有”意味着@ x (x)．有关内置转换功能列表和自定义转换功能的语法，请参阅fitcdiscr．

实施点表示法以添加或更改aScoreTransform函数的用法如下:

  • cobj.scoretransform ='功能＇

  • cobj.scoretransform = @功能

σ

在课堂内协方差矩阵或矩阵。尺寸取决于DiscrimType：

  • '线性'(默认)-矩阵的大小p——- - - - - -p,在那里p是预测者的数量吗

  • “二次”- 大小阵列p——- - - - - -p——- - - - - -K,在那里K是班级数吗

  • “diagLinear”- 行长度矢量p

  • “diagQuadratic”- 大小阵列1——- - - - - -p——- - - - - -K

  • “pseudoLinear”- 大小的矩阵p——- - - - - -p

  • '伪拟合'- 大小阵列p——- - - - - -p——- - - - - -K

W

按比例缩小的重量，一个有长度的向量n，行数X．

X

预测值矩阵。每一列的X代表一个预测器(变量)，每一行代表一个观察。

Xcentered

X具有类的数据减去。如果Y(我)是课堂j，

Xcentered(我,:)＝x（我，:)- - - - - -μ(j,:)，

在哪里亩是类均值属性。

Y

一个分类阵列，字符向量，字符阵列，逻辑向量的单元阵列，或具有相同行数的数字矢量X．每一行的Y表示相应行的分类X．

对象的功能

紧凑的 紧凑判别分析分类器
compareHoldout 使用新数据比较两个分类模型的准确性
crossval 交叉验证判别分析分类器
cvshrink 线性判别器的交叉验证正则化
边缘 分类边缘
石灰 局部可解释的模型不可知解释(LIME)
logp. 判别分析分类器的对数无条件概率密度
损失 分类错误
玛哈尔 马氏距离到阶级的平均值
利润 分类的利润率
nlinearcoeffs. 非零线性系数的数量
partialDependence 计算部分依赖
plotPartialDependence 创建部分依赖图(PDP)和个人条件期望图(ICE)
预测 使用判别分析分类模型预测标签
resubEdge 边的再替换分类
resubLoss 再代换造成的分类错误
resubMargin 再替换的分类边缘
resubPredict 预测判别分析分类模型的重生标签
沙普利 福利价值观
testckfold 通过重复交叉验证比较两种分类模型的准确率

复制语义

价值。要了解值类如何影响复制操作，请参阅复制对象．

例子

全部折叠

打开直播脚本

载入费雪的虹膜数据集。

负载fisheriris

使用整个数据集列车判别分析模型。

Mdl = fitcdiscr(量、物种)
MDL = ClassificationDiscriminant ResponseAme：'Y'类分类：[] ClassNames：{'setosa''Versicolor'''virginica'} ScoreTransform：'无'NumObservations：150个判断：'Linear'MU：[3x4 Double] Coeffs：[3x3 struct]属性，方法

MDL.是一个ClassificationDiscriminant模型。要访问它的属性，请使用点符号。例如，显示每个预测器的组方法。

mdl.mu.
ans =3×4.5.0060 3.4280 1.4620 0.2460 5.9360 2.7700 4.2600 1.3260 6.5880 2.9740 5.5520 2.0260

预测新观察的标签，通过MDL.和预测数据到预测．

更多关于

全部展开

参考文献

[1]郭，y.，t. hastie和ribshirani。“正规化线性判别分析及其在微阵列中的应用。”生物统计学,第8卷，第1期，86-100页，2007。

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:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书