预测
使用三个量对观察结果进行分类:后验概率,先验概率,费用.
预测
分类以使预期的分类成本最小化:
在哪里
是预测的分类。
K为类数。
是类的后验概率吗k为观察x.
对观察进行分类的成本是y当它真正的阶级是k.
的空间X
值分为区域进行分类Y
是一个特定的值。线性判别分析用直线分隔区域,二次判别分析用二次曲线(椭圆、双曲线或抛物线)分隔区域。有关这些区域的可视化,请参见创建和可视化判别分析分类器.
一个点的后验概率x属于类k的乘积是先验概率和多元正态密度。多元法线的密度函数d意思是μk和d——- - - - - -d协方差Σk在1 -d指向x是
在哪里 是Σ的行列式吗k, 是逆矩阵。
允许P(k)表示类的先验概率k.然后是观察到的后验概率x他是一流的k是
在哪里P(x)是一个标准化常数,即求和k属于P(x|k)P(k).
先验概率是三种选择之一:
“统一”
-类别的先验概率k
是1除以总类数。
“经验”
-类别的先验概率k
班级的训练样本数是多少k
除以训练样本总数。
一个数字向量-类的先验概率k
是j
第Th元素之前
向量。看到fitcdiscr
.
创建分类器之后obj
,你可以使用点表示法设置prior:
obj。Prior = v;
在哪里v
是表示每个元素出现频率的正元素向量。设置新的先验值时,无需重新训练分类器。
有两种与鉴别分析分类相关的成本:每类真实的误分类成本,和每观察的预期误分类成本。
成本(i, j)
将观察结果分类的成本是多少j
如果它真正的阶级是我
.默认情况下,成本(i,j)=1
如果i~=j
,成本(i,j)=0
如果i=j
.换句话说,成本是0
正确分类,以及1
不正确的分类。
您可以在创建分类器时设置任何您喜欢的成本矩阵费用
名称-值对的fitcdiscr
.
创建分类器之后obj
,你可以使用点符号设置自定义成本:
obj。费用=B;
B
方阵的大小是多少K
——- - - - - -K
当有K
类。在设置新的代价时,不需要重新训练分类器。
假设你有诺布
你想用训练过的判别分析分类器分类的观察结果obj
.假设你有K
类。你将观察结果放入一个矩阵中Xnew
每行只有一个观测值。命令
(标签、分数、成本)=预测(obj Xnew)
在其他输出中,返回大小为的成本矩阵诺布
——- - - - - -K
.成本矩阵的每一行都包含了将观察结果分类为每一个的预期(平均)成本K
类。成本(n, k)
是
在哪里