主要内容

CompactClassificationDiscriminant.

包裹：classreg.learning.classif.

紧凑判别分析课程

展开所有页面

描述

一种CompactClassificationDiscriminant.对象是判别分析分类器的紧凑型版本。紧凑型版本不包括培训分类器的数据。因此，您无法使用紧凑型分类器执行一些任务，例如交叉验证。使用紧凑型分类器来进行新数据的预测（分类）。

建造

COBJ.=紧凑（obj.）从完整分类器构造一个紧凑的分类器。

COBJ.= makecdiscr（亩那Sigma.）从课堂手段构造一个紧凑的判别分析分类器亩和协方差矩阵Sigma.。有关语法详细信息，请参阅makecdiscr.。

输入参数

obj.

判别分析分类，使用fitcdiscr.。

特性

Betweensigma.

P.-经过-P.矩阵，阶级间协方差，在哪里P.是预测器的数量。

分类预测器

分类预测索引，总是空的（[]）。

Classnames.

培训数据中的元素列表y删除了重复项。Classnames.可以是分类阵列，字符向量，字符阵列，逻辑向量或数字矢量的小区数组。Classnames.具有与参数中的数据相同的数据类型y。（该软件将字符串数组视为字符向量的单元格阵列。）

COEFFS.

K.-经过-K.系数矩阵的结构，其中K.是课程的数量。COEFFS（I，J）包含类之间的线性或二次边界的系数一世和j。领域COEFFS（I，J）：

  • 鉴定

  • Class1.-Classnames.（一世）

  • Class2.-Classnames.（j）

  • const- 一个标量

  • 线性- 矢量与P.组件，其中P.是列数X

  • 二次-P.-经过-P.矩阵，存在二次的鉴定

类之间边界的等式一世和班级j是

const+线性*X+X'*二次*X=0.那

在哪里X是长度的柱矢量P.。

如果fitcdiscr.有这一点Fillcoeffs.名称 - 值对设置为'离开'构造分类器时，COEFFS.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如果它的真实课程是一世（即，行对应于真实类，列对应于预测类）。行和列的顺序成本对应于类的顺序Classnames.。行数和列的数量成本是响应中唯一类的数量。

改变A.成本Matrix使用点表示法：obj.cost = costmatrix.。

三角洲

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.具有小于的幅度三角洲那obj.将此系数设置为0.，因此您可以从模型中消除相应的预测器。放三角洲为了消除更多预测器的值更高。

三角洲必须是0.用于二次判别模型。

改变三角洲使用点表示法：obj.delta = newdelta。

deltapredictor

长度的行矢量等于预测器的数量obj.。如果deltapredictor（i）然后是系数一世模型是0.。

如果obj.是一种二次判别模型，所有元素deltapredictor是0.。

鉴定

指定判别类型的字符矢量。之一：

  • '线性'

  • '二次'

  • 'diaglinear'

  • 'diagquadratic'

  • 'pseudolinear'

  • '伪拟合'

改变鉴定使用点表示法：obj.discrimtype = 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。

伽玛

伽玛正则化参数的值，标量0.到1。改变伽玛使用点表示法：obj.gamma = newgamma.。

  • 如果你设置了1对于线性判别，判别将其类型设置为'diaglinear'。

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

  • 您无法将值设置为低于值的值Mingamma.财产。

  • 对于二次判别，您可以设置0.（为了鉴定'二次'） 要么1（为了鉴定'diagquadratic'）。

logdetsigma.

阶级协方差矩阵内的决定因子。类型的类型logdetsigma.取决于判别类型：

  • 线性判别分析的标量

  • 长度矢量K.用于二次判别分析，在哪里K.是课程数量

Mingamma.

非负标量，伽马参数的最小值，使得相关矩阵可逆性。如果相关矩阵不是奇异的，Mingamma.是0.。

亩

类手段，指定为aK.-经过-P.标量值类规模的矩阵。K.是课程数量，也是P.是预测器的数量。每一排亩表示相应类的多元正态分布的平均值。班级指数在Classnames.属性。

预测

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

每个班级的先前概率的数字矢量。元素的顺序事先的对应于类的顺序Classnames.。

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

ractraceame.

描述响应变量的字符矢量y。

scoretransform.

表示内置变换函数的字符矢量或用于转换分数的功能手柄。'没有任何'意味着没有转型;同等，'没有任何'方法@（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.使用以下选项之一功能：

  • cobj.scoretransform ='功能'

  • cobj.scoretransform = @功能

Sigma.

在课堂内协方差矩阵或矩阵。尺寸取决于鉴定：

  • '线性'（默认） - 大小的矩阵P.-经过-P.， 在哪里P.是预测器的数量

  • '二次'- 大小阵列P.-经过-P.-经过-K.， 在哪里K.是课程数量

  • 'diaglinear'- 行长度矢量P.

  • 'diagquadratic'- 大小阵列1-经过-P.-经过-K.

  • 'pseudolinear'- 大小的矩阵P.-经过-P.

  • '伪拟合'- 大小阵列P.-经过-P.-经过-K.

对象功能

CompareHoldout. 使用新数据比较两个分类模型的精度
边缘 分类边缘
酸橙 本地可解释模型 - 不可知的解释（石灰）
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 mahalanobis到课程的距离意味着
利润 分类边距
nlinearcoeffs. 非零线性系数的数量
部分竞争 计算部分依赖
绘图竞争依赖性 创建部分依赖图（PDP）和个人有条件期望（ICE）情节
预测 使用判别分析分类模型预测标签
福芙 福利价值观

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

全部收缩

打开直播脚本

加载样本数据。

加载渔民

构建用于样本数据的判别分析分类器。

fullobj = fitcdiscr（meas，speies）;

构造一个紧凑的判别分析分类，并将其尺寸与完整分类器的大小进行比较。

cobj = compact（fullobj）;b =谁（'fullobj'）;％b.bytes = fullobj的大小c = whos（'cobj'）;％c.bytes = COBJ的大小[B.Bytes C.Bytes]％显示Cobj使用60％的内存
ans =.1×218291 11678

紧凑型分类器小于完整分类器。

打开直播脚本

从Fisher IRIS数据的手段和协方识构建紧凑的判别分析分类器。

加载渔民mu（1，:) =平均值（meas（1:50，:)）;mu（2，:) =平均值（meas（51：100，:)）;mu（3，:) =平均值（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,......'classnames'，{'setosa'那'versicolor'那'virginica'}）;

更多关于

展开全部

扩展能力

也可以看看

|||||

话题

在R2011B中介绍

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书