makecdiscr

由参数构造判别分析分类器

折叠所有页面

语法

cobj = makecdiscr(μ、σ)

cobj = makecdiscr(μ、σ、名称,值)

描述

例子

cobj= makecdiscr (μ,西格玛)从类的均值构造一个紧凑的判别分析分类器μ和协方差矩阵西格玛．

例子

cobj= makecdiscr (μ,西格玛,名称、值)使用由一个或多个名称-值对参数指定的附加选项构造紧凑分类器。例如，您可以指定错误分类的代价或每个类的先验概率。

例子

全部崩溃

构造一种紧凑的线性判别分析分类器

打开生活的脚本

根据Fisher虹膜数据的均值和协方差构造一个紧凑的线性判别分析分类器。

负载fisheririsμ(1:)=意味着(量(1:50,:));:μ(2)=意味着(量(51:100:));μ(3)=意味着(量(101:150:));mm1 = repmat(μ(1:),50岁,1);平方毫米= repmat(μ(2:),50岁,1);mm3 = repmat(μ(3:),50岁,1);cc =量;抄底:= cross (c, cross (c, cross));抄底:if (cross (c, ma (c, ma (c, ma (c, d)))， linethick2, color00ff00;抄底:if (cross (c, ma (c, 5)) and cross (c, 5)， cross (c, 5)， color00ff00; sigstar = cc' * cc / 147;%sigma的无偏估计cpct=makecdiscr（μ，sigstar，...“类名”, {“setosa”,“多色的”,“virginica”}）

cpct=CompactClassificationDiscriminant PredictorName:{'x1''x2''x3''x4'}ResponseName:'Y'CategoricalPredictors:[]类名：{'setosa''VersionColor''virginica'}ScoreTransform:'none'DiscrimType:'linear'Mu:[3x4 double]系数：[3x3结构]属性、方法

输入参数

全部崩溃

`μ`—类方法
标量值矩阵

类的意思，指定为K——- - - - - -P矩阵的标量值类的大小。K是类的数量，并且P是预测值的数量。每行μ表示对应类多元正态分布的均值。类索引在类名属性

数据类型：单一的|双重的

`西格玛`—类内协方差
标量值矩阵

类内协方差，指定为标量值的矩阵。

对于线性判别，西格玛是一个对称的半正定矩阵P——- - - - - -P哪里P是预测器的数量。
对于二次判别式，西格玛数组是否有大小P——- - - - - -P——- - - - - -K哪里K为类数。为每一个我,西格玛（：，：，i）是一个对称的半正定矩阵。

数据类型：单一的|双重的

名称-值对参数

指定可选的逗号分隔的字符对名称、值参数。名称是参数名和价值为对应值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“类名”,{“setosa”“癣”“virginica”}指定使用的判别分析分类器“setosa”,“多色的”,“virginica”作为分组变量。

`“类名”`—类名
数值向量|分类向量|逻辑向量|字符数组|字符串数组|字符向量单元数组

类名按中的顺序排列μ，指定为逗号分隔对，由“类名”和包含分组变量的数组。对分组变量使用任何数据类型，包括数字向量、分类向量、逻辑向量、字符数组、字符串数组或字符向量的单元格数组。

默认值是1:K哪里K是类的数量（类的行数）μ).

例子:“类名”,{“setosa”“癣”“virginica”}

数据类型：单一的|双重的|符合逻辑的|字符|一串|细胞

`“成本”`—误分类成本
方阵|结构

误分类成本，指定为逗号分隔对，包括“成本”一个正方形矩阵，其中成本（i，j）是将一个点分类为类的成本J如果它的真实类别是我. 或者，成本可以是一个结构s有两个字段：S.ClassNames将组名作为与Y,S.ClassificationCosts包含代价矩阵。

默认值是成本(i, j) = 1如果我~ = j,成本(i, j) = 0如果我=我．

数据类型：单一的|双重的|结构

`“预测器名称”`—预测器变量名
`{X1, X2,…}`（默认）|字符串数组|字符向量单元数组

预测器变量名称，指定为逗号分隔对，由“预测器名称”以及字符向量的字符串数组或单元格数组，其中包含预测变量的名称，按它们在X．

数据类型：一串|细胞

`“之前”`—事前机率
`“制服”`（默认）|标量值向量|结构

每个类别的先验概率，指定为逗号分隔对，由“之前”以及下列其中一项：

“制服”，意味着所有类的先验概率都是相等的
每个类包含一个标量值的向量
一个结构s两个字段:
- S.ClassNames包含类名作为与相同类型的变量的类名
- S.ClassProbs包含相应概率向量的

数据类型：字符|一串|单一的|双重的|结构

`“ResponseName”`—响应变量名
`“Y”`（默认）|特征向量|字符串标量

响应变量名称，指定为逗号分隔对，由“ResponseName”以及包含响应变量名称的字符向量或字符串标量Y．

例子:“ResponseName”、“响应”

数据类型：字符|一串

输出参数

全部崩溃

`cobj`—判别分析分类器
判别分析分类器对象

判别分析分类器，作为类的判别分析分类器对象返回CompactClassificationDiscriminant．你可以使用预测预测新数据分类标签的方法。

提示

构造后，可以使用点表示法更改鉴别类型cobj:
```
cobj。DiscrimType = '歧视型'
```
哪里歧视型是其中之一“线性”,“二次”,“diagLinear”,“对角二次型”,“伪线性”或“pseudoQuadratic”. 可以在线性类型或二次类型之间进行更改，但不能在线性类型和二次类型之间进行更改。
cobj线性分类器是什么时候西格玛是一个矩阵。cobj是一个二次分类器西格玛是一个三维阵列。