文档帮助中心文档
由参数构造判别分析分类器
cobj = makecdiscr(μ、σ)
cobj = makecdiscr(μ、σ、名称,值)
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.
cobj= makecdiscr (μ,西格玛)
cobj
μ
西格玛
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。
cobj= makecdiscr (μ,西格玛,名称、值)
名称、值
全部崩溃
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
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
K
P
类名
数据类型:单一的|双重的
单一的
双重的
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。
我
西格玛(:,:,i)
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.
名称
价值
Name1, Value1,…,的家
“类名”,{“setosa”“癣”“virginica”}
“setosa”
“多色的”
“virginica”
“类名”
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).
1:K
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
符合逻辑的
字符
一串
细胞
“成本”
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。
成本(i,j)
J
成本
s
S.ClassNames
Y
S.ClassificationCosts
默认值是成本(i, j) = 1如果我~ = j,成本(i, j) = 0如果我=我.
成本(i, j) = 1
我~ = j
成本(i, j) = 0
我=我
数据类型:单一的|双重的|结构
结构
“预测器名称”
{X1, X2,…}
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.
X
数据类型:一串|细胞
“之前”
“制服”
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
S.ClassProbs
数据类型:字符|一串|单一的|双重的|结构
“ResponseName”
“Y”
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”
“ResponseName”、“响应”
数据类型:字符|一串
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。
CompactClassificationDiscriminant
预测
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。
歧视型
“线性”
“二次”
“diagLinear”
“对角二次型”
“伪线性”
“pseudoQuadratic”
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。
紧凑的|CompactClassificationDiscriminant|fitcdiscr|预测
紧凑的
fitcdiscr
您拥有此示例的修改版本。是否要用编辑打开此示例?
您单击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站以获取翻译后的内容(如果可用),并查看本地活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
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/地区网站未针对您所在地的访问进行优化。
联系当地办事处