このページ最新ではありませ。をクリックし,英语のの最新版版を参照参照し。
スーパークラス:CompactClassificationDiscriminant
判別分析による分類
分类歧视
オブジェクトは生成のガウスモデルである分析器をカプセル化します。分类歧视
オブジェクトは,predict
メソッドを使用して、新しいデータに対する応答を予測できます。オブジェクトには、学習に使用したデータが格納されているため、再代入予測を計算できます。
分类歧视
オブジェクトの作成はfitcdiscr
を使用し。
|
|
|
常に空( |
|
重复がされたデータデータ |
|
係数行列の
クラス
ここで 分类器作成するとき,, |
|
正方行列。 ドット表记をして |
|
线形判别のデルタしきい値であり非负のスカラーです。 2次判别はは ドット表记をして |
|
|
|
判别タイプする文字。次のか。。。
ドット表记をして 線形タイプ間または 2 次タイプ間での変更は可能ですが、線形タイプと 2 次タイプの間の変更はできません。 |
|
ガンマ正则パラメーターの値,,
|
|
ハイパーパラメーターの交差検証最適化の説明。
|
|
クラス間共分散行列の行列式の対数。
|
|
非負のスカラーであり、相関行列が可逆になるガンマ パラメーターの最小値です。相関行列が特異ではない場合、 |
|
|
|
クラス平均サイズの値クラス平均の |
|
学習データの観測値の数を表す数値スカラー。入力データ |
|
予测子変数ののの配列。并びはデータデータデータ |
|
各クラスの事前確率の数値ベクトル。 ベクトル |
|
応答変数 |
|
组み込みのを文字ベクトル,または変换する关数の。。 ドット表记し,のいずれか方法关数关数关数
|
|
1 つまたは複数のクラス内共分散行列。次元は
|
|
スケールされた |
|
予测値の。 |
|
クラス平均が減算された
ここで、 |
|
|
袖珍的 |
コンパクトな判别分类器 |
compareHoldout |
新しいデータを使用して 2 つの分類モデルの精度を比較 |
crossval |
判別分析分類器の交差検証 |
cvshrink |
线形判别正则化の検证検证 |
edge |
分类エッジ |
酸橙 |
Local Interpretable Model-agnostic Explanations (LIME) |
logp |
判別分析分類器の対数条件なし確率密度 |
损失 |
分类误差 |
mahal |
クラスの平均マハラノビス距离 |
margin |
分类マージン |
nlinearcoeffs |
非ゼロの線形係数の数 |
partialDependence |
部分従属の計算 |
情节依赖性 |
部分依存(PDP)およびおよび条件付き(冰)プロットプロット作成作成 |
predict |
判別分析分類モデルの使用によるラベルの予測 |
resubEdge |
再代入によるエッジ |
resubLoss |
再置換による分類誤差 |
repubmargin |
再代入によるマージン |
resubPredict |
判別分析分類モデルの再代入ラベルを予測 |
shapley |
シャープレイ値 |
testckfold |
交差検証の反復により 2 つの分類モデルの精度を比較 |
値。値のクラスがコピー操作に与える影響については、オブジェクトのコピーを参照しください。
[1] Guo,Y.,T。Hastie和R. Tibshirani。“正则线性判别分析及其在微阵列中的应用。”生物统计学,第1卷。8,第1号,第86–100页,2007年。