分类gydF4y2Ba

使用判别分析分类的观察gydF4y2Ba

所有的页面崩溃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、犯错后,logp,多项式系数]=分类(gydF4y2Ba___gydF4y2Ba)gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

请注意gydF4y2Ba

fitcdiscrgydF4y2Ba和gydF4y2Ba预测gydF4y2Ba建议在gydF4y2Ba分类gydF4y2Ba训练分类器判别分析和预测标签。gydF4y2BafitcdiscrgydF4y2Ba金宝app支持交叉验证和hyperparameter优化,不要求您适合分类器每次你做出新的预测或改变先验概率。gydF4y2Ba

类gydF4y2Ba=分类(gydF4y2Ba样本gydF4y2Ba,gydF4y2Ba培训gydF4y2Ba,gydF4y2Ba集团gydF4y2Ba)gydF4y2Ba将每一行的数据gydF4y2Ba样本gydF4y2Ba分成的组中的数据gydF4y2Ba培训gydF4y2Ba属于。的组gydF4y2Ba培训gydF4y2Ba是指定的gydF4y2Ba集团gydF4y2Ba。函数返回gydF4y2Ba类gydF4y2Ba分配组,其中包含为每一行gydF4y2Ba样本gydF4y2Ba。gydF4y2Ba

类gydF4y2Ba=分类(gydF4y2Ba样本gydF4y2Ba,gydF4y2Ba培训gydF4y2Ba,gydF4y2Ba集团gydF4y2Ba,gydF4y2Ba类型gydF4y2Ba,gydF4y2Ba之前gydF4y2Ba)gydF4y2Ba还指定了gydF4y2Ba类型gydF4y2Ba判别函数,gydF4y2Ba之前gydF4y2Ba每组的概率。gydF4y2Ba

例子gydF4y2Ba

(gydF4y2Ba类gydF4y2Ba,gydF4y2Ba犯错gydF4y2Ba,gydF4y2Ba后gydF4y2Ba,gydF4y2BalogpgydF4y2Ba,gydF4y2Ba多项式系数gydF4y2Ba)=分类(gydF4y2Ba___gydF4y2Ba)gydF4y2Ba还返回明显出错率(gydF4y2Ba犯错gydF4y2Ba),后验概率的训练观察(gydF4y2Ba后gydF4y2Ba),无条件概率密度的对数样本观察(gydF4y2BalogpgydF4y2Ba)和系数的边界曲线(gydF4y2Ba多项式系数gydF4y2Ba),使用任何输入参数组合在以前的语法。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

使用线性判别分析分类gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载gydF4y2BafisheririsgydF4y2Ba数据集创建。gydF4y2Ba集团gydF4y2Ba作为一个单元阵列包含虹膜特征向量的物种。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2Ba组=物种;gydF4y2Ba

的gydF4y2Ba量gydF4y2Ba矩阵包含四个花瓣测量150虹膜。随机观测分割成一个训练集(gydF4y2BatrainingDatagydF4y2Ba)和一套样品(gydF4y2BasampleDatagydF4y2Ba)和分层,使用组信息gydF4y2Ba集团gydF4y2Ba。指定一个抵抗样本40%gydF4y2BasampleDatagydF4y2Ba。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gydF4y2BasampleDatagydF4y2Ba使用线性判别分析,从真正的标签创建混乱图gydF4y2Ba集团gydF4y2Ba和预测的标签gydF4y2Ba类gydF4y2Ba。gydF4y2Ba

类=分类(sampleData, trainingData、组(trainInds));厘米= confusionchart(集团(sampleInds)类);gydF4y2Ba

图包含一个ConfusionMatrixChart类型的对象。gydF4y2Ba

的gydF4y2Ba分类gydF4y2Ba功能分类一个杂色的虹膜virginica在样本数据集。gydF4y2Ba

使用二次判别分析和可视化决策边界分类gydF4y2Ba

打开生活的脚本gydF4y2Ba

分类的数据点在网格测量(样本数据)通过使用二次判别分析。样本数据可视化,训练数据和决策边界。gydF4y2Ba

加载gydF4y2BafisheririsgydF4y2Ba数据集创建。gydF4y2Ba集团gydF4y2Ba作为一个单元阵列包含虹膜特征向量的物种。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2Ba组=物种(51:结束);gydF4y2Ba

情节的花萼长度(gydF4y2BaSLgydF4y2Ba)和宽度(gydF4y2Ba西南gydF4y2Ba虹膜癣和virginica物种)测量。gydF4y2Ba

SL =量(51:最终,1);SW =量(51:结束,2);h1 = gscatter (SL,西南、组gydF4y2Barb的gydF4y2Ba,gydF4y2Ba“v ^”gydF4y2Ba[],gydF4y2Ba“关闭”gydF4y2Ba);h1 (1)。l我neWidth = 2; h1(2).LineWidth = 2; legend(“费舍尔杂色的”gydF4y2Ba,gydF4y2Ba“费舍尔virginica”gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)包含(gydF4y2Ba“花萼长度”gydF4y2Ba)ylabel (gydF4y2Ba萼片宽的gydF4y2Ba)gydF4y2Ba

图包含一个坐标轴对象。坐标轴对象包含花萼长度,ylabel萼片宽包含2线类型的对象。一个或多个行显示的值只使用这些对象标记表示费舍尔杂色的,费舍尔virginica。gydF4y2Ba

创建gydF4y2BasampleDatagydF4y2Ba作为一个数字矩阵,其中包含一个网格的测量。创建gydF4y2BatrainingDatagydF4y2Ba作为一个数字矩阵包含花萼长度和宽度测量虹膜癣和virginica物种。gydF4y2Ba

(X, Y) = meshgrid (linspace (4.5 8), linspace (2、4));X = X (:);Y = Y (:);sampleData = (X, Y);trainingData = (SL SW);gydF4y2Ba

分类gydF4y2BasampleDatagydF4y2Ba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,gydF4y2Ba米gydF4y2Ba两个类之间的二次边界。gydF4y2Ba

.const K =多项式系数(1、2);L =多项式系数(1、2).linear;Q =多项式系数(1、2).quadratic;gydF4y2Ba

分离两类定义的曲线方程:gydF4y2Ba

$KgydF4y2Ba +gydF4y2Ba (gydF4y2Ba \begin{array}{c} {xgydF4y2Ba}_{1gydF4y2Ba} & {xgydF4y2Ba}_{2gydF4y2Ba} \end{array}]gydF4y2Ba lgydF4y2Ba +gydF4y2Ba (gydF4y2Ba \begin{array}{c} {xgydF4y2Ba}_{1gydF4y2Ba} & {xgydF4y2Ba}_{2gydF4y2Ba} \end{array}]gydF4y2Ba 问gydF4y2Ba (gydF4y2Ba \begin{array}{c} {xgydF4y2Ba}_{1gydF4y2Ba} \\ {xgydF4y2Ba}_{2gydF4y2Ba} \end{array}]gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba$

可视化的判别分类。gydF4y2Ba

持有gydF4y2Ba在gydF4y2Bah2 = gscatter (X, Y, C,gydF4y2Barb的gydF4y2Ba,gydF4y2Ba“。”gydF4y2Ba,1gydF4y2Ba“关闭”gydF4y2Ba);f = @ (x, y) K + x + L L (1) * (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。l我neWidth = 2; h3.DisplayName =“决策边界”gydF4y2Ba;持有gydF4y2Ba从gydF4y2Ba轴gydF4y2Ba紧gydF4y2Ba包含(gydF4y2Ba“花萼长度”gydF4y2Ba)ylabel (gydF4y2Ba萼片宽的gydF4y2Ba)标题(gydF4y2Ba“与费舍尔训练数据分类”gydF4y2Ba)gydF4y2Ba

图包含一个坐标轴对象。坐标轴对象与费舍尔标题分类训练数据,包含花萼长度,ylabel萼片宽包含5线类型的对象,implicitfunctionline。一个或多个行显示的值只使用这些对象标记表示费舍尔杂色的,费舍尔virginica、决策边界。gydF4y2Ba

线性判别分析的可视化分类边界gydF4y2Ba

打开生活的脚本gydF4y2Ba

一个数据集分割成样本和训练数据,并使用线性判别分析分类示例数据。然后,可视化决策边界。gydF4y2Ba

加载gydF4y2BafisheririsgydF4y2Ba数据集创建。gydF4y2Ba集团gydF4y2Ba作为一个单元阵列包含虹膜特征向量的物种。创建gydF4y2BaPLgydF4y2Ba和gydF4y2BaPWgydF4y2Ba作为数值向量包含花瓣长度和宽度的测量,分别。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2Ba组=物种;PL =量(:3);PW =量(:4);gydF4y2Ba

情节的花萼长度(gydF4y2BaPLgydF4y2Ba)和宽度(gydF4y2BaPWgydF4y2Ba虹膜setosa)测量,杂色的,virginica物种。gydF4y2Ba

h1 = gscatter (PL、PW物种,gydF4y2Ba“、”gydF4y2Ba,gydF4y2Ba“ov ^”gydF4y2Ba[],gydF4y2Ba“关闭”gydF4y2Ba);传奇(gydF4y2Ba“Setosa”gydF4y2Ba,gydF4y2Ba“多色的”gydF4y2Ba,gydF4y2Ba“Virginica”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

图包含一个坐标轴对象。坐标轴对象包含花瓣长度,ylabel花瓣宽度包含3线类型的对象。一个或多个行显示的值只使用这些对象标记代表Setosa, Virginica杂色的。gydF4y2Ba

随机观测分割成一个训练集(gydF4y2BatrainingDatagydF4y2Ba)和一套样品(gydF4y2BasampleDatagydF4y2Ba)和分层,使用组信息gydF4y2Ba集团gydF4y2Ba。指定一个抵抗样本10%gydF4y2BasampleDatagydF4y2Ba。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gydF4y2BasampleDatagydF4y2Ba使用线性判别分析。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对于线性第二和第三类之间的边界。gydF4y2Ba

K =多项式系数(2、3).const;L =多项式系数(2、3).linear;gydF4y2Ba

之间的线第二和第三类是定义的方程gydF4y2Ba $KgydF4y2Ba +gydF4y2Ba (gydF4y2Ba \begin{array}{c} {xgydF4y2Ba}_{1gydF4y2Ba} & {xgydF4y2Ba}_{2gydF4y2Ba} \end{array}]gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba$ 。情节的第二和第三类之间的边界线。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“杂色的& Virginica界限”gydF4y2Ba;gydF4y2Ba

图包含一个坐标轴对象。坐标轴对象包含花瓣长度,ylabel花瓣宽度包含4线类型的对象,implicitfunctionline。一个或多个行显示的值只使用这些对象标记代表Setosa,杂色的,杂色的& Virginica之间Virginica、边界。gydF4y2Ba

检索系数gydF4y2BaKgydF4y2Ba和gydF4y2BalgydF4y2Ba第一和第二之间的线性边界类。gydF4y2Ba

.const K =多项式系数(1、2);L =多项式系数(1、2).linear;gydF4y2Ba

情节之间的线第一和第二课。gydF4y2Ba

f = @ (x1, x2) K + L (1) * x1 + L (2) * x2;h3 = fimplicit (f。9 7.1 0 2.5]);持有gydF4y2Ba从gydF4y2Bah3。颜色=gydF4y2Ba“k”gydF4y2Ba;h3。DisplayName =gydF4y2Ba“杂色的& Setosa界限”gydF4y2Ba;轴gydF4y2Ba紧gydF4y2Ba标题(gydF4y2Ba与费舍尔训练数据的线性分类gydF4y2Ba)gydF4y2Ba

图包含一个坐标轴对象。坐标轴对象标题与Fisher线性分类训练数据,包含花瓣长度,ylabel花瓣宽度包含5线类型的对象,implicitfunctionline。一个或多个行显示的值只使用这些对象标记代表Setosa,杂色的,Virginica,边界多色的& Virginica杂色的& Setosa之间的边界。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`样本gydF4y2Ba`- - - - - -gydF4y2Ba样本数据gydF4y2Ba
数字矩阵gydF4y2Ba

样本数据,指定为一个数字矩阵。每一列的gydF4y2Ba样本gydF4y2Ba代表一个变量,每一行代表一个样本观察。gydF4y2Ba样本gydF4y2Ba必须有相同数量的列gydF4y2Ba培训gydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`培训gydF4y2Ba`- - - - - -gydF4y2Ba训练数据gydF4y2Ba
数字矩阵gydF4y2Ba

训练数据,指定为一个数字矩阵。每一列的gydF4y2Ba培训gydF4y2Ba代表一个变量,每一行代表一个训练观察。gydF4y2Ba培训gydF4y2Ba必须有相同数量的列gydF4y2Ba样本gydF4y2Ba,相同的行数gydF4y2Ba集团gydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`集团gydF4y2Ba`- - - - - -gydF4y2Ba组名称gydF4y2Ba
分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba字符串数组gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba单元阵列的特征向量gydF4y2Ba

组名称指定为一个分类数组,字符数组,字符串数组,特征向量的数值向量,或单元阵列。中的每个元素gydF4y2Ba集团gydF4y2Ba定义的组对应的行gydF4y2Ba培训gydF4y2Ba属于。gydF4y2Ba集团gydF4y2Ba必须有相同数量的行吗gydF4y2Ba培训gydF4y2Ba。gydF4y2Ba

南gydF4y2Ba,gydF4y2Ba<定义>gydF4y2Ba空字符向量(gydF4y2Ba”gydF4y2Ba),空字符串(gydF4y2Ba”“gydF4y2Ba),gydF4y2Ba<失踪>gydF4y2Ba值gydF4y2Ba集团gydF4y2Ba显示缺失值。gydF4y2Ba分类gydF4y2Ba删除整行gydF4y2Ba培训gydF4y2Ba数据对应一个失踪的组名。gydF4y2Ba

`类型gydF4y2Ba`- - - - - -gydF4y2Ba判别类型gydF4y2Ba
`“线性”gydF4y2Ba`(默认)|gydF4y2Ba`“二次”gydF4y2Ba`|gydF4y2Ba`“diagLinear”gydF4y2Ba`|gydF4y2Ba`“diagQuadratic”gydF4y2Ba`|gydF4y2Ba`“mahalanobis”gydF4y2Ba`

判别类型,指定为下表中的值之一。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“线性”gydF4y2Ba`	每一组多元正态密度,符合一个汇集了协方差的估计。这个选项使用似然比率分配组的样本观察。gydF4y2Ba
`“二次”gydF4y2Ba`	多元正态密度符合协方差估计分层组。这个选项使用似然比率分配组的样本观察。gydF4y2Ba
`“diagLinear”gydF4y2Ba`	类似于gydF4y2Ba`“线性”gydF4y2Ba`,但对角协方差矩阵的估计。这条对角线朴素贝叶斯分类器的选择是一个具体的例子,因为它假设变量条件独立的标签。gydF4y2Ba
`“diagQuadratic”gydF4y2Ba`	类似于gydF4y2Ba`“二次”gydF4y2Ba`,但对角协方差矩阵的估计。这条对角线朴素贝叶斯分类器的选择是一个具体的例子,因为它假设变量条件独立的标签。gydF4y2Ba
`“mahalanobis”gydF4y2Ba`	使用距离分层协方差估计。gydF4y2Ba

`之前gydF4y2Ba`- - - - - -gydF4y2Ba每组的先验概率gydF4y2Ba
数值向量gydF4y2Ba|gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba结构gydF4y2Ba

先验概率为每个组,指定为下表中的值之一。默认情况下,所有先验概率是相等的gydF4y2Ba1 /gydF4y2BaKgydF4y2Ba,在那里gydF4y2BaKgydF4y2Ba是团体的数量。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
数值向量gydF4y2Ba	每个元素都是一个先验概率。根据元素的顺序gydF4y2Ba`集团gydF4y2Ba`。gydF4y2Ba`分类gydF4y2Ba`可实现元素之和为1。gydF4y2Ba
`“经验”gydF4y2Ba`	集团先验概率是相对频率gydF4y2Ba`集团gydF4y2Ba`。gydF4y2Ba
结构gydF4y2Ba	一个结构gydF4y2Ba`年代gydF4y2Ba`两个字段:gydF4y2Ba `S.groupgydF4y2Ba`包含组名一样相同类型的一个变量gydF4y2Ba`集团gydF4y2Ba`。gydF4y2Ba `S.probgydF4y2Ba`包含一个数字向量相应的先验概率。gydF4y2Ba`分类gydF4y2Ba`可实现元素之和为1。gydF4y2Ba

之前gydF4y2Ba不用于Mahalanobis歧视的距离,除了计算gydF4y2Ba犯错gydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba|gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba|gydF4y2Ba结构体gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`类gydF4y2Ba`——预测类示例数据gydF4y2Ba
分类数组|字符数组字符串数组| | |数字矢量单元阵列的特征向量gydF4y2Ba

预测类样本数据,作为分类数组,返回字符数组,字符串数组,特征向量的数值向量,或单元阵列。gydF4y2Ba类gydF4y2Ba相同类型的是吗gydF4y2Ba集团gydF4y2Ba。中的每个元素gydF4y2Ba类gydF4y2Ba包含组的每一行gydF4y2Ba样本gydF4y2Ba已分配。gydF4y2Ba

`犯错gydF4y2Ba`——明显的错误率gydF4y2Ba
负的数量gydF4y2Ba

明显的错误率,作为一个非负数字返回。gydF4y2Ba犯错gydF4y2Ba是误分类错误率的估计基于gydF4y2Ba培训gydF4y2Ba数据。它是观察的百分比gydF4y2Ba培训gydF4y2Ba更进一步,加权的gydF4y2Ba之前gydF4y2Ba概率的组。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`后gydF4y2Ba`——培训后验概率的观察gydF4y2Ba
数字矩阵gydF4y2Ba

后验概率训练观察,作为一个返回gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BakgydF4y2Ba数字矩阵,gydF4y2BangydF4y2Ba观察(行)的数量吗gydF4y2Ba培训gydF4y2Ba和gydF4y2BakgydF4y2Ba组的数量吗gydF4y2Ba集团gydF4y2Ba。的元素gydF4y2Ba后(i, j)gydF4y2Ba是观察的后验概率gydF4y2Ba我gydF4y2Ba在gydF4y2Ba培训gydF4y2Ba属于集团gydF4y2BajgydF4y2Ba在gydF4y2Ba集团gydF4y2Ba。如果您指定gydF4y2Ba类型gydF4y2Ba作为gydF4y2Ba“mahalanobis”gydF4y2Ba,该函数不计算gydF4y2Ba后gydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`logpgydF4y2Ba`——无条件概率密度的对数样本观察gydF4y2Ba
数值向量gydF4y2Ba

无条件概率密度的对数观测样本,作为一个数值向量返回。预测无条件概率密度的观察gydF4y2Ba我gydF4y2Ba在gydF4y2Ba样本gydF4y2Ba是gydF4y2Ba

$PgydF4y2Ba (gydF4y2Ba ogydF4y2Ba bgydF4y2Ba {年代gydF4y2Ba}_{我gydF4y2Ba})gydF4y2Ba =gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{kgydF4y2Ba} PgydF4y2Ba (gydF4y2Ba ogydF4y2Ba bgydF4y2Ba {年代gydF4y2Ba}_{我gydF4y2Ba} |gydF4y2Ba ggydF4y2Ba rgydF4y2Ba ogydF4y2Ba ugydF4y2Ba {pgydF4y2Ba}_{jgydF4y2Ba})gydF4y2Ba PgydF4y2Ba (gydF4y2Ba ggydF4y2Ba rgydF4y2Ba ogydF4y2Ba ugydF4y2Ba {pgydF4y2Ba}_{jgydF4y2Ba})gydF4y2Ba,gydF4y2Ba$

地点:gydF4y2Ba

$PgydF4y2Ba (gydF4y2Ba ogydF4y2Ba bgydF4y2Ba {年代gydF4y2Ba}_{我gydF4y2Ba} |gydF4y2Ba ggydF4y2Ba rgydF4y2Ba ogydF4y2Ba ugydF4y2Ba {pgydF4y2Ba}_{jgydF4y2Ba})gydF4y2Ba$ 观察的条件密度吗gydF4y2Ba我gydF4y2Ba在gydF4y2Ba样本gydF4y2Ba鉴于集团gydF4y2BajgydF4y2Ba在gydF4y2Ba集团gydF4y2Ba。gydF4y2Ba
$PgydF4y2Ba (gydF4y2Ba ggydF4y2Ba rgydF4y2Ba ogydF4y2Ba ugydF4y2Ba {pgydF4y2Ba}_{jgydF4y2Ba})gydF4y2Ba$ 是集团的先验概率gydF4y2BajgydF4y2Ba。gydF4y2Ba
kgydF4y2Ba是团体的数量。gydF4y2Ba

如果您指定gydF4y2Ba类型gydF4y2Ba作为gydF4y2Ba“mahalanobis”gydF4y2Ba,该函数不计算gydF4y2BalogpgydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`多项式系数gydF4y2Ba`-系数的边界曲线gydF4y2Ba
结构gydF4y2Ba

系数之间的边界曲线组的,作为一个返回gydF4y2BakgydF4y2Ba——- - - - - -gydF4y2BakgydF4y2Ba结构,gydF4y2BakgydF4y2Ba组的数量吗gydF4y2Ba集团gydF4y2Ba。的元素gydF4y2Ba多项式系数(i, j)gydF4y2Ba包含系数组之间的界限gydF4y2Ba我gydF4y2Ba和gydF4y2BajgydF4y2Ba。此表列出了gydF4y2Ba多项式系数gydF4y2Ba字段及其值。gydF4y2Ba

字段名gydF4y2Ba	价值gydF4y2Ba
`类型gydF4y2Ba`	类型的判别函数,指定的gydF4y2Ba`类型gydF4y2Ba`
`name1gydF4y2Ba`	组的名称gydF4y2Ba`我gydF4y2Ba`
`name2gydF4y2Ba`	组的名称gydF4y2Ba`jgydF4y2Ba`
`常量gydF4y2Ba`	边界方程的常数项(K)gydF4y2Ba
`线性gydF4y2Ba`	线性边界方程的系数(左)gydF4y2Ba
`二次gydF4y2Ba`	二次边界方程的系数矩阵结构(Q)。当你不包括这个字段中指定gydF4y2Ba`类型gydF4y2Ba`作为gydF4y2Ba`“线性”gydF4y2Ba`或gydF4y2Ba`“diagLinear”gydF4y2Ba`。gydF4y2Ba

如果您指定gydF4y2Ba类型gydF4y2Ba作为gydF4y2Ba“线性”gydF4y2Ba或gydF4y2Ba“diagLinear”gydF4y2Ba连续,函数分类gydF4y2BaxgydF4y2Ba从gydF4y2Ba样本gydF4y2Ba进组gydF4y2Ba我gydF4y2Ba(而不是组织gydF4y2BajgydF4y2Ba)当gydF4y2Ba0 < K + x * LgydF4y2Ba。gydF4y2Ba
如果您指定gydF4y2Ba类型gydF4y2Ba作为gydF4y2Ba“二次”gydF4y2Ba,gydF4y2Ba“diagQuadratic”gydF4y2Ba,或gydF4y2Ba“mahalanobis”gydF4y2Ba连续,函数分类gydF4y2BaxgydF4y2Ba从gydF4y2Ba样本gydF4y2Ba进组gydF4y2Ba我gydF4y2Ba(而不是组织gydF4y2BajgydF4y2Ba)当gydF4y2Ba0 < K + x * L + x * Q * x 'gydF4y2Ba。gydF4y2Ba

选择功能gydF4y2Ba

的gydF4y2BafitcdiscrgydF4y2Ba函数也进行判别分析。你可以训练一个分类器使用gydF4y2BafitcdiscrgydF4y2Ba功能和预测新数据通过使用标签gydF4y2Ba预测gydF4y2Ba函数。的gydF4y2BafitcdiscrgydF4y2Ba支持交叉验证和hy金宝appperparameter优化函数,不需要你适合分类器每次你做出新的预测或改变先验概率。gydF4y2Ba

引用gydF4y2Ba

[1]Krzanowski Wojtek。J。gydF4y2Ba多变量分析的原则:一个用户的角度gydF4y2Ba。纽约:牛津大学出版社,1988年。gydF4y2Ba

[2]seb,乔治·a·F。gydF4y2Ba多变量的观察gydF4y2Ba。NJ:约翰威利& Sons, Inc ., 1984年。gydF4y2Ba

版本历史gydF4y2Ba

之前介绍过的R2006agydF4y2Ba

另请参阅gydF4y2Ba

分类gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

使用线性判别分析分类gydF4y2Ba

使用二次判别分析和可视化决策边界分类gydF4y2Ba

线性判别分析的可视化分类边界gydF4y2Ba

输入参数gydF4y2Ba

样本gydF4y2Ba- - - - - -gydF4y2Ba样本数据gydF4y2Ba数字矩阵gydF4y2Ba

培训gydF4y2Ba- - - - - -gydF4y2Ba训练数据gydF4y2Ba数字矩阵gydF4y2Ba

集团gydF4y2Ba- - - - - -gydF4y2Ba组名称gydF4y2Ba分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba字符串数组gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba单元阵列的特征向量gydF4y2Ba

类型gydF4y2Ba- - - - - -gydF4y2Ba判别类型gydF4y2Ba“线性”gydF4y2Ba(默认)|gydF4y2Ba“二次”gydF4y2Ba|gydF4y2Ba“diagLinear”gydF4y2Ba|gydF4y2Ba“diagQuadratic”gydF4y2Ba|gydF4y2Ba“mahalanobis”gydF4y2Ba

之前gydF4y2Ba- - - - - -gydF4y2Ba每组的先验概率gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba“经验”gydF4y2Ba|gydF4y2Ba结构gydF4y2Ba

输出参数gydF4y2Ba

类gydF4y2Ba——预测类示例数据gydF4y2Ba分类数组|字符数组字符串数组| | |数字矢量单元阵列的特征向量gydF4y2Ba

犯错gydF4y2Ba——明显的错误率gydF4y2Ba负的数量gydF4y2Ba

后gydF4y2Ba——培训后验概率的观察gydF4y2Ba数字矩阵gydF4y2Ba

logpgydF4y2Ba——无条件概率密度的对数样本观察gydF4y2Ba数值向量gydF4y2Ba

多项式系数gydF4y2Ba-系数的边界曲线gydF4y2Ba结构gydF4y2Ba

选择功能gydF4y2Ba

引用gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

`样本gydF4y2Ba`- - - - - -gydF4y2Ba样本数据gydF4y2Ba
数字矩阵gydF4y2Ba

`培训gydF4y2Ba`- - - - - -gydF4y2Ba训练数据gydF4y2Ba
数字矩阵gydF4y2Ba

`集团gydF4y2Ba`- - - - - -gydF4y2Ba组名称gydF4y2Ba
分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba字符串数组gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba单元阵列的特征向量gydF4y2Ba

`类型gydF4y2Ba`- - - - - -gydF4y2Ba判别类型gydF4y2Ba
`“线性”gydF4y2Ba`(默认)|gydF4y2Ba`“二次”gydF4y2Ba`|gydF4y2Ba`“diagLinear”gydF4y2Ba`|gydF4y2Ba`“diagQuadratic”gydF4y2Ba`|gydF4y2Ba`“mahalanobis”gydF4y2Ba`

`之前gydF4y2Ba`- - - - - -gydF4y2Ba每组的先验概率gydF4y2Ba
数值向量gydF4y2Ba|gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba结构gydF4y2Ba

`类gydF4y2Ba`——预测类示例数据gydF4y2Ba
分类数组|字符数组字符串数组| | |数字矢量单元阵列的特征向量gydF4y2Ba

`犯错gydF4y2Ba`——明显的错误率gydF4y2Ba
负的数量gydF4y2Ba

`后gydF4y2Ba`——培训后验概率的观察gydF4y2Ba
数字矩阵gydF4y2Ba

`logpgydF4y2Ba`——无条件概率密度的对数样本观察gydF4y2Ba
数值向量gydF4y2Ba

`多项式系数gydF4y2Ba`-系数的边界曲线gydF4y2Ba
结构gydF4y2Ba