分类GydF4y2Ba

使用判别分析对观察结果进行分类GydF4y2Ba

折叠所有页面GydF4y2Ba

语法GydF4y2Ba

类=分类(样本、培训、集团)GydF4y2Ba

类=分类(样本、培训、组织类型、前)GydF4y2Ba

[类别、误差、后验、对数、系数]=分类(GydF4y2Ba___GydF4y2Ba)GydF4y2Ba

描述GydF4y2Ba

实例GydF4y2Ba

笔记GydF4y2Ba

fitcdiscrGydF4y2Ba和GydF4y2Ba预测GydF4y2Ba建议在GydF4y2Ba分类GydF4y2Ba用于训练判别分析分类器和预测标签。GydF4y2BafitcdiscrGydF4y2Ba金宝app支持交叉验证和超参数优化，并且不需要每次做出新的预测或更改先验概率时都适合分类器。GydF4y2Ba

班GydF4y2Ba=分类(GydF4y2Ba样品GydF4y2Ba,GydF4y2Ba训练GydF4y2Ba,GydF4y2Ba集团GydF4y2Ba)GydF4y2Ba对中的每一行数据进行分类GydF4y2Ba样品GydF4y2Ba将数据放入其中一个组中GydF4y2Ba训练GydF4y2Ba属于。用于GydF4y2Ba训练GydF4y2Ba是指定的GydF4y2Ba集团GydF4y2Ba。函数返回GydF4y2Ba班GydF4y2Ba，其中包含为每一行分配的组GydF4y2Ba样品GydF4y2Ba．GydF4y2Ba

班GydF4y2Ba=分类(GydF4y2Ba样品GydF4y2Ba,GydF4y2Ba训练GydF4y2Ba,GydF4y2Ba集团GydF4y2Ba,GydF4y2Ba类型GydF4y2Ba,GydF4y2Ba先前的GydF4y2Ba)GydF4y2Ba还指定了GydF4y2Ba类型GydF4y2Ba判别函数，和GydF4y2Ba先前的GydF4y2Ba每组的概率。GydF4y2Ba

实例GydF4y2Ba

[GydF4y2Ba班GydF4y2Ba,GydF4y2Ba犯错误GydF4y2Ba,GydF4y2Ba后面的GydF4y2Ba,GydF4y2BalogpGydF4y2Ba,GydF4y2Ba多项式系数GydF4y2Ba]=分类(GydF4y2Ba___GydF4y2Ba)GydF4y2Ba也返回明显错误率(GydF4y2Ba犯错误GydF4y2Ba)，训练观察的后验概率(GydF4y2Ba后面的GydF4y2Ba)，样本观测的无条件概率密度的对数(GydF4y2BalogpGydF4y2Ba)，以及边界曲线的系数(GydF4y2Ba多项式系数GydF4y2Ba)，使用前面语法中的任何输入参数组合。GydF4y2Ba

例子GydF4y2Ba

全部崩溃GydF4y2Ba

使用线性判别分析进行分类GydF4y2Ba

打开生活的脚本GydF4y2Ba

加载GydF4y2Ba鱼腥草GydF4y2Ba数据集。创建GydF4y2Ba集团GydF4y2Ba作为包含虹膜物种的字符向量的细胞阵列。GydF4y2Ba

负载GydF4y2Ba鱼腥草GydF4y2Ba组=物种;GydF4y2Ba

这个GydF4y2Ba量GydF4y2Ba矩阵包含四个花瓣尺寸为150个鸢尾。将观察数据随机划分为训练集(GydF4y2BatrainingDataGydF4y2Ba)及样本集(GydF4y2Ba样本数据GydF4y2Ba)与分层，利用群体信息GydF4y2Ba集团GydF4y2Ba．指定40%的抵抗样本GydF4y2Ba样本数据GydF4y2Ba．GydF4y2Ba

rng (GydF4y2Ba“默认”GydF4y2Ba)GydF4y2Ba%的再现性GydF4y2Ba简历= cvpartition(集团GydF4y2Ba“坚持”GydF4y2Ba, 0.40);trainInds =培训(简历);sampleInds =测试(简历);trainingData =量(trainInds:);sampleData =量(sampleInds:);GydF4y2Ba

分类GydF4y2Ba样本数据GydF4y2Ba使用线性判别分析，并从真实标签中创建一个混淆图GydF4y2Ba集团GydF4y2Ba以及预测中的标签GydF4y2Ba班GydF4y2Ba．GydF4y2Ba

类=分类(sampleData, trainingData、组(trainInds));厘米= confusionchart(集团(sampleInds)类);GydF4y2Ba

Figure包含一个confusimatrixchart类型的对象。GydF4y2Ba

这个GydF4y2Ba分类GydF4y2Ba函数将样本数据集中的一个花斑虹膜误分类为virginica。GydF4y2Ba

二次判别分析分类及决策边界可视化GydF4y2Ba

打开生活的脚本GydF4y2Ba

使用二次判别分析对测量网格（样本数据）中的数据点进行分类。然后，可视化样本数据、训练数据和决策边界。GydF4y2Ba

加载GydF4y2Ba鱼腥草GydF4y2Ba数据集。创建GydF4y2Ba集团GydF4y2Ba作为包含虹膜物种的字符向量的细胞阵列。GydF4y2Ba

负载GydF4y2Ba鱼腥草GydF4y2Ba组=物种(51:结束);GydF4y2Ba

图中萼片长度(GydF4y2BaSLGydF4y2Ba)及宽度(GydF4y2Ba西南GydF4y2Ba)云芝和弗吉尼亚鸢尾属物种的测量。GydF4y2Ba

SL=meas（51:end，1）；SW=meas（51:end，2）；h1=gscatter（SL，SW，组，GydF4y2Barb的GydF4y2Ba,GydF4y2Ba"v^"GydF4y2Ba,[],GydF4y2Ba“关闭”GydF4y2Ba）;h1(1)。L我NeWidth = 2; h1(2).LineWidth = 2; legend(“费希尔花色”GydF4y2Ba,GydF4y2Ba“费希尔·维吉尼亚”GydF4y2Ba,GydF4y2Ba“位置”GydF4y2Ba,GydF4y2Ba“西北”GydF4y2Ba)包含(GydF4y2Ba“花萼长度”GydF4y2Ba) ylabel (GydF4y2Ba“萼片宽度”GydF4y2Ba)GydF4y2Ba

图中包含一个轴对象。轴对象包含两个类型为line的对象。这些物件代表了费雪花色，费雪弗吉尼亚。GydF4y2Ba

创建GydF4y2Ba样本数据GydF4y2Ba作为一个包含测量网格的数值矩阵。创建GydF4y2BatrainingDataGydF4y2Ba作为一个数字矩阵，其中包含鸢尾花色和弗吉尼亚种萼片长度和宽度的测量值。GydF4y2Ba

(X, Y) = meshgrid (linspace (4.5 8), linspace(2、4));X = X (:);Y = Y (:);采样数据= [X Y];训练数据= [SL SW];GydF4y2Ba

分类GydF4y2Ba样本数据GydF4y2Ba使用二次判别分析。GydF4y2Ba

[C犯错后,logp,多项式系数]=分类(sampleData trainingData,集团GydF4y2Ba“二次”GydF4y2Ba）;GydF4y2Ba

检索系数GydF4y2BaKGydF4y2Ba,GydF4y2BaLGydF4y2Ba,GydF4y2BaMGydF4y2Ba求这两个类之间的二次边界。GydF4y2Ba

K=系数（1,2）.常数；L=系数（1,2）.线性；Q =多项式系数(1、2).quadratic;GydF4y2Ba

分隔这两个类别的曲线由以下等式定义：GydF4y2Ba

$KGydF4y2Ba +GydF4y2Ba [GydF4y2Ba \begin{array}{c} {xGydF4y2Ba}_{1.GydF4y2Ba} & {xGydF4y2Ba}_{2.GydF4y2Ba} \end{array}]GydF4y2Ba LGydF4y2Ba +GydF4y2Ba [GydF4y2Ba \begin{array}{c} {xGydF4y2Ba}_{1.GydF4y2Ba} & {xGydF4y2Ba}_{2.GydF4y2Ba} \end{array}]GydF4y2Ba QGydF4y2Ba [GydF4y2Ba \begin{array}{c} {xGydF4y2Ba}_{1.GydF4y2Ba} \\ {xGydF4y2Ba}_{2.GydF4y2Ba} \end{array}]GydF4y2Ba =GydF4y2Ba 0GydF4y2Ba$

可视化判别分类。GydF4y2Ba

持有GydF4y2Ba在GydF4y2Bah2=gscatter（X，Y，C，GydF4y2Barb的GydF4y2Ba,GydF4y2Ba'.'GydF4y2Ba, 1GydF4y2Ba“关闭”GydF4y2Ba）;f = @(x,y) K + L(1)*x + L(2)*y + Q(1,1)*x。* x + (Q(1、2)+ Q (2,1)) * x。* y + Q (2, 2) * y。* y;H3 = fimplicit(f，[4.5 8 2 4]);h3。颜色=GydF4y2Ba“米”GydF4y2Ba；h3.LineWidth=2；h3.DisplayName=GydF4y2Ba“决策边界”GydF4y2Ba；持有GydF4y2Ba关GydF4y2Ba轴GydF4y2Ba紧GydF4y2Ba包含(GydF4y2Ba“花萼长度”GydF4y2Ba) ylabel (GydF4y2Ba“萼片宽度”GydF4y2Ba)标题(GydF4y2Ba“使用Fisher训练数据进行分类”GydF4y2Ba)GydF4y2Ba

图中包含一个轴对象。标题为“Fisher Training Data Classification”的轴对象包含line、implicitfunctionline类型的5个对象。这些对象代表Fisher versicolor, Fisher virginica, Decision Boundary。GydF4y2Ba

可视化线性判别分析的分类边界GydF4y2Ba

打开生活的脚本GydF4y2Ba

将数据集划分为样本和训练数据，并利用线性判别分析对样本数据进行分类。然后，可视化决策边界。GydF4y2Ba

加载GydF4y2Ba鱼腥草GydF4y2Ba数据集。创建GydF4y2Ba集团GydF4y2Ba作为包含虹膜物种的字符向量的细胞阵列。创建GydF4y2BaPLGydF4y2Ba和GydF4y2BaPWGydF4y2Ba作为数字向量，分别包含花瓣的长度和宽度测量值。GydF4y2Ba

负载GydF4y2Ba鱼腥草GydF4y2Ba组=物种;PL =量(:3);PW =量(:4);GydF4y2Ba

图中萼片长度(GydF4y2BaPLGydF4y2Ba)及宽度(GydF4y2BaPWGydF4y2Ba)刚毛鸢尾、杂色鸢尾和弗吉尼亚鸢尾的测量。GydF4y2Ba

h1=gscatter（PL，PW，物种，GydF4y2Ba“、”GydF4y2Ba,GydF4y2Ba“ov ^”GydF4y2Ba,[],GydF4y2Ba“关闭”GydF4y2Ba）;传奇(GydF4y2Ba“Setosa”GydF4y2Ba,GydF4y2Ba“花色”GydF4y2Ba,GydF4y2Ba“维吉尼亚”GydF4y2Ba,GydF4y2Ba“位置”GydF4y2Ba,GydF4y2Ba“最佳”GydF4y2Ba)包含(GydF4y2Ba“花瓣长度”GydF4y2Ba) ylabel (GydF4y2Ba“花瓣宽度”GydF4y2Ba)GydF4y2Ba

图中包含一个轴对象。轴对象包含3个类型为line的对象。这些物品代表了塞托萨，Versicolor，弗吉尼亚。GydF4y2Ba

将观察数据随机划分为训练集(GydF4y2BatrainingDataGydF4y2Ba)及样本集(GydF4y2Ba样本数据GydF4y2Ba)与分层，利用群体信息GydF4y2Ba集团GydF4y2Ba．指定10%的抵抗样本GydF4y2Ba样本数据GydF4y2Ba．GydF4y2Ba

rng (GydF4y2Ba“默认”GydF4y2Ba)GydF4y2Ba%的再现性GydF4y2Ba简历= cvpartition(集团GydF4y2Ba“坚持”GydF4y2Ba, 0.10);trainInds =培训(简历);sampleInds =测试(简历);trainingData = [PL(trainInds) PW(trainInds)];sampleData = [PL(sampleInds) PW(sampleInds)];GydF4y2Ba

分类GydF4y2Ba样本数据GydF4y2Ba采用线性判别分析。GydF4y2Ba

[类、犯错后,logp,多项式系数]=分类(sampleData、trainingData组(trainInds));GydF4y2Ba

检索系数GydF4y2BaKGydF4y2Ba和GydF4y2BaLGydF4y2Ba对于第二类和第三类之间的线性边界。GydF4y2Ba

K =多项式系数(2、3).const;L =多项式系数(2、3).linear;GydF4y2Ba

第二类和第三类的分界线是由这个方程定义的GydF4y2Ba $KGydF4y2Ba +GydF4y2Ba [GydF4y2Ba \begin{array}{c} {xGydF4y2Ba}_{1.GydF4y2Ba} & {xGydF4y2Ba}_{2.GydF4y2Ba} \end{array}]GydF4y2Ba LGydF4y2Ba =GydF4y2Ba 0GydF4y2Ba$ ．绘制第二和第三类之间的分界线。GydF4y2Ba

f = @(x1,x2) K + L(1)*x1 + L(2)*x2;持有GydF4y2Ba在GydF4y2Bah2 = fimplicit (f。9 7.1 0 2.5]);h2。颜色=GydF4y2Ba“r”GydF4y2Ba；h2.DisplayName=GydF4y2Ba“Versicolor与Virginica的界限”GydF4y2Ba；GydF4y2Ba

图中包含一个轴对象。axis对象包含4个类型为line的对象，隐式函数线。这些物体代表Setosa, Versicolor, Virginica, Versicolor & Virginica的边界。GydF4y2Ba

检索系数GydF4y2BaKGydF4y2Ba和GydF4y2BaLGydF4y2Ba对于第一类和第二类之间的线性边界。GydF4y2Ba

K=系数（1,2）.常数；L=系数（1,2）.线性；GydF4y2Ba

画出第一个类和第二个类之间的线。GydF4y2Ba

f = @(x1,x2) K + L(1)*x1 + L(2)*x2;h3 = fimplicit (f。9 7.1 0 2.5]);持有GydF4y2Ba关GydF4y2Bah3。颜色=GydF4y2Ba“k”GydF4y2Ba；h3.DisplayName=GydF4y2Ba“Versicolor与Setosa之间的界限”GydF4y2Ba；轴GydF4y2Ba紧GydF4y2Ba标题(GydF4y2Ba“使用Fisher训练数据的线性分类”GydF4y2Ba)GydF4y2Ba

图中包含一个轴对象。以Fisher训练数据线性分类为标题的轴对象包含line类型、隐函数line类型的5个对象。这些物体代表了Setosa, Versicolor, Virginica, Versicolor & Virginica的边界，Versicolor & Setosa的边界。GydF4y2Ba

输入参数GydF4y2Ba

全部崩溃GydF4y2Ba

`样品GydF4y2Ba`—GydF4y2Ba样本数据GydF4y2Ba
数值矩阵GydF4y2Ba

示例数据，指定为数字矩阵。的每一列GydF4y2Ba样品GydF4y2Ba表示一个变量，每一行表示一个样本观察。GydF4y2Ba样品GydF4y2Ba必须有相同的列数GydF4y2Ba训练GydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`训练GydF4y2Ba`—GydF4y2Ba训练数据GydF4y2Ba
数值矩阵GydF4y2Ba

训练数据，指定为数字矩阵。每一列的GydF4y2Ba训练GydF4y2Ba表示一个变量，每行表示一个训练观察值。GydF4y2Ba训练GydF4y2Ba必须有相同的列数GydF4y2Ba样品GydF4y2Ba，并且行数与GydF4y2Ba集团GydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`集团GydF4y2Ba`—GydF4y2Ba组名称GydF4y2Ba
范畴数组GydF4y2Ba|GydF4y2Ba字符数组GydF4y2Ba|GydF4y2Ba字符串数组GydF4y2Ba|GydF4y2Ba数值向量GydF4y2Ba|GydF4y2Ba字符向量的单元格数组GydF4y2Ba

组名称，指定为类别数组、字符数组、字符串数组、数字向量或字符向量的单元格数组。中的每个元素GydF4y2Ba集团GydF4y2Ba定义对应行所属的组GydF4y2Ba训练GydF4y2Ba属于。GydF4y2Ba集团GydF4y2Ba必须有相同的行数GydF4y2Ba训练GydF4y2Ba．GydF4y2Ba

楠GydF4y2Ba,GydF4y2Ba<未定义>GydF4y2Ba，空字符向量(GydF4y2Ba''GydF4y2Ba)，空字符串(GydF4y2Ba""GydF4y2Ba)，及GydF4y2Ba< >失踪GydF4y2Ba值GydF4y2Ba集团GydF4y2Ba显示缺失值。GydF4y2Ba分类GydF4y2Ba删除GydF4y2Ba训练GydF4y2Ba与缺少的组名对应的数据。GydF4y2Ba

`类型GydF4y2Ba`—GydF4y2Ba判别类型GydF4y2Ba
`“线性”GydF4y2Ba`(默认)|GydF4y2Ba`“二次”GydF4y2Ba`|GydF4y2Ba`“diagLinear”GydF4y2Ba`|GydF4y2Ba`“对角二次型”GydF4y2Ba`|GydF4y2Ba`“mahalanobis”GydF4y2Ba`

判别类型，指定为下表中的一个值。GydF4y2Ba

价值GydF4y2Ba	描述GydF4y2Ba
`“线性”GydF4y2Ba`	拟合一个多元正态密度到每个组，与协方差的合并估计。这个选项使用似然比将样本观察分配给组。GydF4y2Ba
`“二次”GydF4y2Ba`	使用按组分层的协方差估计拟合多元正态密度。此选项使用似然比将样本观测值分配给组。GydF4y2Ba
`“diagLinear”GydF4y2Ba`	类似于GydF4y2Ba`“线性”GydF4y2Ba`，但用对角协方差矩阵估计。这个对角线选项是朴素贝叶斯分类器的一个具体例子，因为它假设给定组标签，变量是有条件独立的。GydF4y2Ba
`“对角二次型”GydF4y2Ba`	类似于GydF4y2Ba`“二次”GydF4y2Ba`，但用对角协方差矩阵估计。这个对角线选项是朴素贝叶斯分类器的一个具体例子，因为它假设给定组标签，变量是有条件独立的。GydF4y2Ba
`“mahalanobis”GydF4y2Ba`	使用马氏距离与分层协方差估计。GydF4y2Ba

`先前的GydF4y2Ba`—GydF4y2Ba每个组的先验概率GydF4y2Ba
数值向量GydF4y2Ba|GydF4y2Ba`“经验”GydF4y2Ba`|GydF4y2Ba结构GydF4y2Ba

每个组的先验概率，指定为下表中的一个值。默认情况下，所有先验概率都等于GydF4y2Ba1／GydF4y2BaKGydF4y2Ba,在那里GydF4y2BaKGydF4y2Ba是组数。GydF4y2Ba

价值GydF4y2Ba	描述GydF4y2Ba
数值向量GydF4y2Ba	每个元素都是一组先验概率。根据GydF4y2Ba`集团GydF4y2Ba`．GydF4y2Ba`分类GydF4y2Ba`规范化元素，使其总和为1。GydF4y2Ba
`“经验”GydF4y2Ba`	组先验概率是组相对频率GydF4y2Ba`集团GydF4y2Ba`．GydF4y2Ba
结构GydF4y2Ba	一个结构GydF4y2Ba`sGydF4y2Ba`两个字段:GydF4y2Ba `S.groupGydF4y2Ba`将组名包含为与GydF4y2Ba`集团GydF4y2Ba`．GydF4y2Ba `S.probGydF4y2Ba`包含相应先验概率的数值向量。GydF4y2Ba`分类GydF4y2Ba`规范化元素，使其总和为1。GydF4y2Ba

先前的GydF4y2Ba不用于马氏距离判别，除了计算GydF4y2Ba犯错误GydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba|GydF4y2Ba字符GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Ba结构GydF4y2Ba

输出参数GydF4y2Ba

全部崩溃GydF4y2Ba

`班GydF4y2Ba`-样本数据的预测类GydF4y2Ba
分类数组|字符数组|字符串数组|数字向量|字符向量单元数组GydF4y2Ba

示例数据的预测类，作为分类数组、字符数组、字符串数组、数字向量或字符向量的单元格数组返回。GydF4y2Ba班GydF4y2Ba是同类型的吗GydF4y2Ba集团GydF4y2Ba．中的每个元素GydF4y2Ba班GydF4y2Ba包含要将每行数据添加到的组GydF4y2Ba样品GydF4y2Ba已分配。GydF4y2Ba

`犯错误GydF4y2Ba`-表观错误率GydF4y2Ba
非负数GydF4y2Ba

表观错误率，以非负数返回。GydF4y2Ba犯错误GydF4y2Ba误分类错误率的估计是基于GydF4y2Ba训练GydF4y2Ba数据。它是在GydF4y2Ba训练GydF4y2Ba被错误分类的，由GydF4y2Ba先前的GydF4y2Ba组的概率。GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`后面的GydF4y2Ba`-训练观察的后验概率GydF4y2Ba
数值矩阵GydF4y2Ba

训练观察的后验概率，返回为GydF4y2BaNGydF4y2Ba——- - - - - -GydF4y2BaKGydF4y2Ba数字矩阵,GydF4y2BaNGydF4y2Ba观察的数量(行)在吗GydF4y2Ba训练GydF4y2Ba和GydF4y2BaKGydF4y2Ba是中的组数GydF4y2Ba集团GydF4y2Ba．的元素GydF4y2Ba后(i, j)GydF4y2Ba后验概率是观察值吗GydF4y2Ba我GydF4y2Ba在里面GydF4y2Ba训练GydF4y2Ba属于集团GydF4y2BaJGydF4y2Ba在里面GydF4y2Ba集团GydF4y2Ba．如果您指定GydF4y2Ba类型GydF4y2Ba像GydF4y2Ba“mahalanobis”GydF4y2Ba，函数不计算GydF4y2Ba后面的GydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`logpGydF4y2Ba`-样本观察的无条件概率密度对数GydF4y2Ba
数值向量GydF4y2Ba

样本观察的无条件概率密度的对数，返回为数字向量。预测的观测无条件概率密度GydF4y2Ba我GydF4y2Ba在里面GydF4y2Ba样品GydF4y2Ba是GydF4y2Ba

$PGydF4y2Ba (GydF4y2Ba oGydF4y2Ba BGydF4y2Ba {sGydF4y2Ba}_{我GydF4y2Ba})GydF4y2Ba =GydF4y2Ba {\sumGydF4y2Ba}_{JGydF4y2Ba =GydF4y2Ba 1.GydF4y2Ba}^{KGydF4y2Ba} PGydF4y2Ba (GydF4y2Ba oGydF4y2Ba BGydF4y2Ba {sGydF4y2Ba}_{我GydF4y2Ba} |GydF4y2Ba GGydF4y2Ba RGydF4y2Ba oGydF4y2Ba UGydF4y2Ba {PGydF4y2Ba}_{JGydF4y2Ba})GydF4y2Ba PGydF4y2Ba (GydF4y2Ba GGydF4y2Ba RGydF4y2Ba oGydF4y2Ba UGydF4y2Ba {PGydF4y2Ba}_{JGydF4y2Ba})GydF4y2Ba,GydF4y2Ba$

哪里：GydF4y2Ba

$PGydF4y2Ba (GydF4y2Ba oGydF4y2Ba BGydF4y2Ba {sGydF4y2Ba}_{我GydF4y2Ba} |GydF4y2Ba GGydF4y2Ba RGydF4y2Ba oGydF4y2Ba UGydF4y2Ba {PGydF4y2Ba}_{JGydF4y2Ba})GydF4y2Ba$ 是观察的条件密度吗GydF4y2Ba我GydF4y2Ba在里面GydF4y2Ba样品GydF4y2Ba给定组GydF4y2BaJGydF4y2Ba在里面GydF4y2Ba集团GydF4y2Ba．GydF4y2Ba
$PGydF4y2Ba (GydF4y2Ba GGydF4y2Ba RGydF4y2Ba oGydF4y2Ba UGydF4y2Ba {PGydF4y2Ba}_{JGydF4y2Ba})GydF4y2Ba$ 组的先验概率是多少GydF4y2BaJGydF4y2Ba．GydF4y2Ba
KGydF4y2Ba是组数。GydF4y2Ba

如果您指定GydF4y2Ba类型GydF4y2Ba像GydF4y2Ba“mahalanobis”GydF4y2Ba，函数不计算GydF4y2BalogpGydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`多项式系数GydF4y2Ba`-边界曲线系数GydF4y2Ba
结构GydF4y2Ba

两组之间边界曲线的系数，返回为aGydF4y2BaKGydF4y2Ba——- - - - - -GydF4y2BaKGydF4y2Ba结构,GydF4y2BaKGydF4y2Ba是中的组数GydF4y2Ba集团GydF4y2Ba．的元素GydF4y2Ba多项式系数(i, j)GydF4y2Ba包含组之间的边界系数GydF4y2Ba我GydF4y2Ba和GydF4y2BaJGydF4y2Ba．这个表列出了GydF4y2Ba多项式系数GydF4y2Ba字段及其值。GydF4y2Ba

字段名GydF4y2Ba	价值GydF4y2Ba
`类型GydF4y2Ba`	判别函数的类型，由GydF4y2Ba`类型GydF4y2Ba`
`名称1GydF4y2Ba`	小组名称GydF4y2Ba`我GydF4y2Ba`
`姓名2GydF4y2Ba`	小组名称GydF4y2Ba`JGydF4y2Ba`
`常量GydF4y2Ba`	边界方程(K)的常数项GydF4y2Ba
`线性的GydF4y2Ba`	边界方程的线性系数(L)GydF4y2Ba
`二次GydF4y2Ba`	边界方程（Q）的二次系数矩阵。指定时，结构不包括此字段GydF4y2Ba`类型GydF4y2Ba`像GydF4y2Ba`“线性”GydF4y2Ba`或GydF4y2Ba`“diagLinear”GydF4y2Ba`．GydF4y2Ba

如果您指定GydF4y2Ba类型GydF4y2Ba像GydF4y2Ba“线性”GydF4y2Ba或GydF4y2Ba“diagLinear”GydF4y2Ba，该函数对一行进行分类GydF4y2BaxGydF4y2Ba从GydF4y2Ba样品GydF4y2Ba分组GydF4y2Ba我GydF4y2Ba(而不是组织GydF4y2BaJGydF4y2Ba)当GydF4y2Ba0 < K + x*LGydF4y2Ba．GydF4y2Ba
如果您指定GydF4y2Ba类型GydF4y2Ba像GydF4y2Ba“二次”GydF4y2Ba,GydF4y2Ba“对角二次型”GydF4y2Ba,或GydF4y2Ba“mahalanobis”GydF4y2Ba，该函数对一行进行分类GydF4y2BaxGydF4y2Ba从GydF4y2Ba样品GydF4y2Ba分组GydF4y2Ba我GydF4y2Ba(而不是组织GydF4y2BaJGydF4y2Ba)当GydF4y2Ba0．GydF4y2Ba


           
            选择功能GydF4y2Ba
            这个GydF4y2BafitcdiscrGydF4y2Ba函数还执行判别分析GydF4y2BafitcdiscrGydF4y2Ba函数并预测新数据的标签GydF4y2Ba预测GydF4y2Ba函数。这个GydF4y2BafitcdiscrGydF4y2Ba该函数支持交叉验证金宝app和超参数优化，并且不需要每次进行新预测或更改先验概率时都对分类器进行拟合。GydF4y2Ba
           
           
            参考文献GydF4y2Ba
            
             [1] Krzanowski，Wojtek.J。GydF4y2Ba多元分析原理：用户的视角GydF4y2Ba．纽约:牛津大学出版社，1988。GydF4y2Ba
            
            
             乔治·a·F·塞伯GydF4y2Ba多变量的观察GydF4y2Ba．《中国科学院大学学报(自然科学版)》，1984。GydF4y2Ba
            
           
           
            另见GydF4y2Ba
            泰姬陵GydF4y2Ba|GydF4y2Ba菲茨特里GydF4y2Ba|GydF4y2BaClassificationDiscriminantGydF4y2Ba|GydF4y2Ba预测GydF4y2Ba|GydF4y2BafitcdiscrGydF4y2Ba|GydF4y2BafitcnbGydF4y2Ba
            
             话题GydF4y2Ba
             
              
               判别分析分类GydF4y2Ba
               分类GydF4y2Ba
               分组变量GydF4y2Ba
               创建并可视化判别分析分类器GydF4y2Ba
              
             
            
           
           
            之前介绍过的R2006aGydF4y2Ba


         
          
           
            
             
             开放的例子GydF4y2Ba
            
            
             您有这个示例的修改版本。您想打开这个示例与您的编辑吗?GydF4y2Ba
            
            
             不，请覆盖修改后的版本GydF4y2Ba
             是的GydF4y2Ba


        
         
          
           
            
            MATLAB命令GydF4y2Ba
           
           
            您单击了与此MATLAB命令对应的链接：GydF4y2Ba
            
            通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝appGydF4y2Ba
           
           
            
           
          
         
        
        
        
         
          
           
            
             
             
            
            
             
              
               选择一个网站GydF4y2Ba
               选择一个网站，在那里获得翻译的内容，并看到当地的活动和优惠。根据您的位置，我们建议您选择:GydF4y2Ba．GydF4y2Ba
               选择GydF4y2Ba网站GydF4y2Ba
              
             
             你也可以从以下列表中选择一个网站:GydF4y2Ba
             
              
              如何获得最佳的网站性能GydF4y2Ba
              选择中国站点（中文或英文）以获得最佳站点性能。其他MathWorks国家/地区站点不适合您所在位置的访问。GydF4y2Ba
             
             
              
               美洲GydF4y2Ba
               
                美国拉丁GydF4y2Ba(西班牙语)GydF4y2Ba
                加拿大GydF4y2Ba(英语)GydF4y2Ba
                美国GydF4y2Ba(英语)GydF4y2Ba
               
              
              
               欧洲GydF4y2Ba
               
                
                 
                  比利时GydF4y2Ba(英语)GydF4y2Ba
                  丹麦GydF4y2Ba(英语)GydF4y2Ba
                  德国GydF4y2Ba(德语)GydF4y2Ba
                  埃斯帕尼亚GydF4y2Ba(西班牙语)GydF4y2Ba
                  芬兰GydF4y2Ba(英语)GydF4y2Ba
                  法国GydF4y2Ba（法兰西）GydF4y2Ba
                  爱尔兰GydF4y2Ba(英语)GydF4y2Ba
                  意大利GydF4y2Ba（意大利语）GydF4y2Ba
                  卢森堡GydF4y2Ba(英语)GydF4y2Ba
                 
                
                
                 
                  荷兰GydF4y2Ba(英语)GydF4y2Ba
                  挪威GydF4y2Ba(英语)GydF4y2Ba
                  ÖsterreichGydF4y2Ba(德语)GydF4y2Ba
                  葡萄牙GydF4y2Ba(英语)GydF4y2Ba
                  瑞典GydF4y2Ba(英语)GydF4y2Ba
                  瑞士GydF4y2Ba
                    德国GydF4y2Ba
                    英语GydF4y2Ba
                    法语GydF4y2Ba
                   
                  联合王国GydF4y2Ba(英语)GydF4y2Ba
                 
                
               
              
              
               亚太地区GydF4y2Ba
               
                澳大利亚GydF4y2Ba(英语)GydF4y2Ba
                印度GydF4y2Ba(英语)GydF4y2Ba
                新西兰GydF4y2Ba(英语)GydF4y2Ba
                中国GydF4y2Ba
                  简体中文GydF4y2Ba
                  英语GydF4y2Ba
                 
                日本GydF4y2Ba(日本語)GydF4y2Ba
                한국GydF4y2Ba(한국어)GydF4y2Ba
               
              
             
             与当地办事处联系GydF4y2Ba


    
    
     
      
       
        
         
          试用软件GydF4y2Ba
          试用软件GydF4y2Ba
          产品更新GydF4y2Ba
          产品更新GydF4y2Ba
         
        
       
      
     
    
    
    
    
     
      
       
        
         
          统计和机器学习工具箱文档GydF4y2Ba
          
           例子GydF4y2Ba
           功能和其他参考GydF4y2Ba
           发布说明GydF4y2Ba
           PDF文档GydF4y2Ba
          
         
         
          金宝app
          
           MATLAB答案GydF4y2Ba
           安装帮助GydF4y2Ba
           错误报告GydF4y2Ba
           产品需求GydF4y2Ba
           软件下载GydF4y2Ba
          
         
         
          
           
            
             
            
            掌握机器学习：用MATLAB逐步指导GydF4y2Ba
            下载电子书GydF4y2Ba
           
          
         
        
       
      
     
    
    
    
     
     
      
       
        
         
         
          
           MathWorksGydF4y2Ba
           加快工程和科学的步伐GydF4y2Ba
           MathWorksGydF4y2Ba是工程师和科学家数学计算软件的领先开发者。GydF4y2Ba
           发现GydF4y2Ba
          
          
           
            
             探索产品下载188bet金宝搏GydF4y2Ba
             
              
               MATLABGydF4y2Ba
               金宝app
               学生软件GydF4y2Ba
               硬件支持金宝appGydF4y2Ba
               文件交换GydF4y2Ba
              
             
            
            
             尝试或购买GydF4y2Ba
             
              
               下载GydF4y2Ba
               试用软件GydF4y2Ba
               联系销售GydF4y2Ba
               定价和许可GydF4y2Ba
               如何购买GydF4y2Ba
              
             
            
            
             学习使用GydF4y2Ba
             
              
               文档GydF4y2Ba
               教程GydF4y2Ba
               例子GydF4y2Ba
               视频和网络研讨会GydF4y2Ba
               培训GydF4y2Ba
              
             
            
            
            
             获得支持金宝appGydF4y2Ba
             
              
               安装帮助GydF4y2Ba
               答案GydF4y2Ba
               咨询GydF4y2Ba
               授权中心GydF4y2Ba
               联系支持金宝appGydF4y2Ba
              
             
            
            
             关于GydF4y2BaMathWorksGydF4y2Ba
             
              
               事业GydF4y2Ba
               编辑室GydF4y2Ba
               社会使命GydF4y2Ba
               联系销售GydF4y2Ba
               关于GydF4y2BaMathWorksGydF4y2Ba
              
             
            
           
          
         
        
       
      
     
     
     
      
       
        
         
          美国GydF4y2Ba
         
         
         
          信托中心GydF4y2Ba
          商标GydF4y2Ba
          隐私政策GydF4y2Ba
          防止盗版GydF4y2Ba
          应用状况GydF4y2Ba
         
         
         
         ©1994-2021 The MathWorks公司GydF4y2Ba
        
        
        
         
          
           
           
           
           
           
           
          
          
          加入谈话GydF4y2Ba

分类GydF4y2Ba

语法GydF4y2Ba

描述GydF4y2Ba

例子GydF4y2Ba

使用线性判别分析进行分类GydF4y2Ba

二次判别分析分类及决策边界可视化GydF4y2Ba

可视化线性判别分析的分类边界GydF4y2Ba

输入参数GydF4y2Ba

样品GydF4y2Ba—GydF4y2Ba样本数据GydF4y2Ba数值矩阵GydF4y2Ba

训练GydF4y2Ba—GydF4y2Ba训练数据GydF4y2Ba数值矩阵GydF4y2Ba

集团GydF4y2Ba—GydF4y2Ba组名称GydF4y2Ba范畴数组GydF4y2Ba|GydF4y2Ba字符数组GydF4y2Ba|GydF4y2Ba字符串数组GydF4y2Ba|GydF4y2Ba数值向量GydF4y2Ba|GydF4y2Ba字符向量的单元格数组GydF4y2Ba

类型GydF4y2Ba—GydF4y2Ba判别类型GydF4y2Ba“线性”GydF4y2Ba(默认)|GydF4y2Ba“二次”GydF4y2Ba|GydF4y2Ba“diagLinear”GydF4y2Ba|GydF4y2Ba“对角二次型”GydF4y2Ba|GydF4y2Ba“mahalanobis”GydF4y2Ba

先前的GydF4y2Ba—GydF4y2Ba每个组的先验概率GydF4y2Ba数值向量GydF4y2Ba|GydF4y2Ba“经验”GydF4y2Ba|GydF4y2Ba结构GydF4y2Ba

输出参数GydF4y2Ba

班GydF4y2Ba-样本数据的预测类GydF4y2Ba分类数组|字符数组|字符串数组|数字向量|字符向量单元数组GydF4y2Ba

犯错误GydF4y2Ba-表观错误率GydF4y2Ba非负数GydF4y2Ba

后面的GydF4y2Ba-训练观察的后验概率GydF4y2Ba数值矩阵GydF4y2Ba

logpGydF4y2Ba-样本观察的无条件概率密度对数GydF4y2Ba数值向量GydF4y2Ba

多项式系数GydF4y2Ba-边界曲线系数GydF4y2Ba结构GydF4y2Ba

选择功能GydF4y2Ba

参考文献GydF4y2Ba

另见GydF4y2Ba

话题GydF4y2Ba

统计和机器学习工具箱文档GydF4y2Ba

金宝app

掌握机器学习：用MATLAB逐步指导GydF4y2Ba

`样品GydF4y2Ba`—GydF4y2Ba样本数据GydF4y2Ba
数值矩阵GydF4y2Ba

`训练GydF4y2Ba`—GydF4y2Ba训练数据GydF4y2Ba
数值矩阵GydF4y2Ba

`集团GydF4y2Ba`—GydF4y2Ba组名称GydF4y2Ba
范畴数组GydF4y2Ba|GydF4y2Ba字符数组GydF4y2Ba|GydF4y2Ba字符串数组GydF4y2Ba|GydF4y2Ba数值向量GydF4y2Ba|GydF4y2Ba字符向量的单元格数组GydF4y2Ba

`类型GydF4y2Ba`—GydF4y2Ba判别类型GydF4y2Ba
`“线性”GydF4y2Ba`(默认)|GydF4y2Ba`“二次”GydF4y2Ba`|GydF4y2Ba`“diagLinear”GydF4y2Ba`|GydF4y2Ba`“对角二次型”GydF4y2Ba`|GydF4y2Ba`“mahalanobis”GydF4y2Ba`

`先前的GydF4y2Ba`—GydF4y2Ba每个组的先验概率GydF4y2Ba
数值向量GydF4y2Ba|GydF4y2Ba`“经验”GydF4y2Ba`|GydF4y2Ba结构GydF4y2Ba

`班GydF4y2Ba`-样本数据的预测类GydF4y2Ba
分类数组|字符数组|字符串数组|数字向量|字符向量单元数组GydF4y2Ba

`犯错误GydF4y2Ba`-表观错误率GydF4y2Ba
非负数GydF4y2Ba

`后面的GydF4y2Ba`-训练观察的后验概率GydF4y2Ba
数值矩阵GydF4y2Ba

`logpGydF4y2Ba`-样本观察的无条件概率密度对数GydF4y2Ba
数值向量GydF4y2Ba

`多项式系数GydF4y2Ba`-边界曲线系数GydF4y2Ba
结构GydF4y2Ba