分类歧视クラス

スーパークラス:CompactClassificationDiscriminant

判別分析による分類

説明

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。

构筑

分类歧视オブジェクトの作成はfitcdiscrを使用し。

プロパティ

`BetweenSigma`	`p`行`p`列の，间のの分散分散分散，`p`は予测子の数です。
`分类预期`	常に空（`[]`）であるカテゴリカルのインデックス。
`ClassNames`	重复がされたデータデータ`Y`の要素のリスト。`ClassNames`には、categorical 配列、文字ベクトルの cell 配列、文字配列、logical ベクトル、数値ベクトルのいずれかを指定できます。`ClassNames`のデータ型は、引数`Y`のデータと同じです。（字符串配列配列文字のの配列配列扱われ）。
`系数`	係数行列の`k`行`k`列の構造体で、`k`はクラスの数です。`系数(i,j)`は`i`から`j`までのクラスの間の線形または 2 次の境界の係数を含みます。`系数(i,j)`内のフィールド: `鉴别` `Class1`—`ClassNames（一世）` `Class2`—`ClassNames（J）` `Const`— スカラー `Linear`—`p`成分をもつベクトル (`p`は`X`の列の数) `Quadratic`—`p`行`p`列の行列，、2次`鉴别`用に存在クラス`i`とクラス`j`の境界線の等式は次のとおりです。 `Const`+`Linear``x`+`X'``Quadratic`*`x`=`0`, ここで`x`は、長さ`p`の列ベクトル。分类器作成するとき，，`fitcdiscr`で`FillCoeffs`名前と値のペアが`'离开'`に設定された場合、`系数`は空（`[]`）です。
`成本`	正方行列。`成本(i,j)`は真のクラスが`i`である場合に 1 つの点をクラス`j`に分类のです（行行の，は予测したクラスクラスに`成本`の行と列の順序は、`ClassNames`のクラスの順序に対応します。`成本`の行のは，応答含まれいるなクラスののです。ドット表记をして`成本`行列を変更します。`obj.Cost = costMatrix`。
`Delta`	线形判别のデルタしきい値であり非负のスカラーです。`obj`の系数が`Delta`よりも大きさが小さい場合、`obj`はこの系を`0`に設定し、それによって対応する予測子をモデルから削除できます。`Delta`を高い値に設定すると、削除できる予測子が多くなります。 2次判别はは`Delta`は`0`でなければなりません。ドット表记をして`Delta`を変更します。`obj.Delta = newDelta`。
`DeltaPredictor`	`obj`の予测子数同じ长の行ベクトル。`Deltapredictor（i）< Delta`である场合モデルの系数`i`は`0`です。 `obj`が2次判別モデルである場合、`DeltaPredictor`のすべての要素は`0`です。
`鉴别`	判别タイプする文字。次のか。。。 `'linear'` `“二次”` `'diaglinear'` `'diagQuadratic'` `'pseudoLinear'` `'pseudoQuadratic'` ドット表记をして`鉴别`を変更します。`obj.DiscrimType = newDiscrimType`。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。
`伽玛`	ガンマ正则パラメーターの値，，`0`から`1`までのスカラーです。ドット表記を使用して`伽玛`を変更します。`obj.gamma = newgamma`。線形判別式のために`1`を設定する場合、判別式はそのタイプを`'diaglinear'`に设定し。線形判別式のために`MinGamma`から`1`までの値を設定する場合、判別式はそのタイプを`'linear'`に设定し。 `MinGamma`プロパティのより値をできません。 2 次判別式の場合、`0`(`鉴别“二次”`の場合) または`1`(`鉴别'diagQuadratic'`の场合）のかに设定できます
`HyperparameterOptimizationResults`	ハイパーパラメーターの交差検証最適化の説明。`BayesianOptimization`オブジェクト、またはハイパーパラメーターおよび関連する値が含まれているテーブルとして格納されます。作成時に名前と値のペア`OptimizeHyperparameters`がではない，は空ません値は作成时の名前ととペアペアペア`HyperparameterOptimizationOptions`の设定によってます。 `'bayesopt'`(既定) —`BayesianOptimization`クラスのオブジェクト `'gridsearch'`または`“随机搜索”`— 使用したハイパーパラメーター、観測された目的関数の値(交差検証損失)、および最低 (最良) から最高 (最悪) までの観測値の順位が格納されているテーブル
`LogDetSigma`	クラス間共分散行列の行列式の対数。`LogDetSigma`のタイプは判別タイプによって異なります。线形判别分析スカラー 2次判别のささ`K`のベクトルで，`K`はクラスの数
`MinGamma`	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、`MinGamma`は`0`になります。
`ModelParameters`	`obj`の学習に使用されるパラメーター。
`Mu`	クラス平均サイズの値クラス平均の`K`行`p`列の行列として指定されます。`K`はクラス数，`p`は予测子の数です。`Mu`の各行は，対応するクラスの多変量正規分布の平均を表します。クラスインデックスは、`ClassNames`属性にあります。
`NumObservations`	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`X`または応答`Y`に欠损がある场合，`NumObservations`は`X`の行数より少なくなる場合があります。
`预测器`	予测子変数ののの配列。并びはデータデータデータ`X`に現れる順です。
`Prior`	各クラスの事前確率の数値ベクトル。`Prior`の要素の順序は、`ClassNames`のクラスの順序に対応します。ベクトル`Prior`を追加するは，次のドット表记を使用し。`obj.Prior = priorVector`
`ResponseName`	応答変数`Y`を表す文字。
`ScoreTransform`	组み込みのを文字ベクトル，または変换する关数の。。`'none'`は変換なしを意味します。つまり、`'none'`は`@(x)x`を意味します。組み込みの変換関数のリストとカスタム変換関数の構文は、`fitcdiscr`を参照しください。ドット表记し，のいずれか方法关数关数关数`ScoreTransform`を追加変更します。 `cobj.scoretransform ='function'` `cobj.scoretransform = @function`
`西格玛`	1 つまたは複数のクラス内共分散行列。次元は`鉴别`に応じて異なります。 `'linear'`（既定） - サイズ`p`行`p`列の行列で、`p`は予测子の数 `“二次”`— サイズ`p`x`p`x`K`の配列で、`K`はクラスの数 `'diaglinear'`- 长さのベクトル`p` `'diagQuadratic'`— サイズ`1`x`p`x`K`の配列 `'pseudoLinear'`— サイズ`p`行`p`列の行列 `'pseudoQuadratic'`— サイズ`p`x`p`x`K`の配列
`W`	スケールされた`weights`、長さ`n`のベクトル，`X`の行の数。
`X`	予测値の。`X`の各列が 1 つの予測値 (変数) を表し、各行が 1 つの観測値を表します。
`Xcentered`	クラス平均が減算された`X`データ。`Y(i)`の場合、クラスは`j`です。 `Xcentered(i,:)`=`x（i，:)`–`Mu(j,:)` ここで、`Mu`はクラス平均プロパティです。
`Y`	`X`分类配列配列，文字ベクトルのの配列配列，，，，，，，，，ベクトルベクトルまたは数値数値`Y`の各行は，`X`の対応行のを表します。

オブジェクト関数

`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

コピーのセマンティクス

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。

例

すべて折りたたむ

判別分析モデルの学習

ライブスクリプトを开く

フィッシャーのアヤメのデータセットを読み込みます。

loadfisheriris

データセット使用て，判别分析学习をさせ。。

Mdl = fitcdiscr(meas,species)

Mdl = ClassificationDiscriminant ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' NumObservations: 150 DiscrimType: 'linear' Mu: [3x4 double] Coeffs: [3x3 struct] Properties, Methods

Mdlは分类歧视モデルです。プロパティにアクセスするには、ドット表記を使用します。たとえば、各予測子のグループ平均を表示します。

Mdl.Mu

ans =3×45.0060 3.4280 1.4620 0.2460 5.9360 2.7700 4.2600 1.3260 6.5880 2.9740 5.5520 2.0260

新しい観測値のラベルを予測するには、Mdlと予測子データをpredictに渡します。

詳細

すべて展开する

判別分類

判别分析モデルはのとおりです。

各クラス (Y) では、多変量正規分布を使用してデータ (X）を生成ますつまり，このははXに混合分布（gmdistribution) があることを前提としています。
- 線形判別分析の場合、モデルでは各クラスの共分散は同じで、平均のみ変わります。
- 2 次判別分析の場合、各クラスの平均と共分散の両方が異なります。

predictは、予測される分類コストが最小になるように分類します。

$\hat{y} = \underset{y = 1, ..., K}{\arg \min} \sum_{k = 1}^{K} \hat{P} (k | x) C (y | k),$

ここで

$\hat{y}$ は、予測された分類です。
K は、クラスの数です。
$\hat{P} (k | x)$ はx x観测クラスkの事後確率です。
$C (y | k)$ は、真のクラスが k の場合に観測値を y として分類するコストです。

详细については，判別分析モデルの使用による予測を参照しください。

正則化

正則化とは、効果的な予測モデルを生み出す予測子の小さな集合を見つけ出す過程です。線形判別分析には、γ および δ の 2 つのパラメーターがあり、これらは次のように正則化を制御します。cvshrinkは適切なパラメーター値の選択を支援します。

σがデータ X の共分散行列を表し、 $\hat{X}$ が中心データ (データ X からクラス別の平均を減算したデータ) であるとします。次のように定義します。

$D = 诊断 ({\hat{X}}^{T} * \hat{X}) .$

正則化した共分散行列 $\overset{〜}{σ}$ は次のようになります。

$\overset{〜}{σ} = (1 - γ) σ + γ D .$

γ≥MinGammaである場合、 $\overset{〜}{σ}$ は常に正则。

μ_kを k クラスの X の要素の平均ベクトルとし、μ₀をグローバル（xの行平均） $\overset{〜}{C}$ が正则さた相关であるとします。

$\overset{〜}{C} = (1 - γ) C + γ I,$

ここでI が単位行列です。

データx xの化され判别分析分类ににあるはは

${(x - μ_{0})}^{T} {\overset{〜}{σ}}^{- 1} (μ_{k} - μ_{0}) = [{(x - μ_{0})}^{T} D^{- 1 / 2}] [{\overset{〜}{C}}^{- 1} D^{- 1 / 2} (μ_{k} - μ_{0})] .$

パラメーターδは、内内のののの项しきい値として式式入力入力します。ベクトル $[{\overset{〜}{C}}^{- 1} D^{- 1 / 2} (μ_{k} - μ_{0})]$ の各成分は、大きさがしきい値 δ より小さい場合、ゼロが設定されます。そのため、クラス k に対して、コンポーネント j のしきい値を 0 に設定した場合、x のコンポーネント j は事後確率の評価には入りません。

DeltaPredictorプロパティは、このしきい値に関係するベクトルです。δ ≥Deltapredictor（i）の場合、すべてのクラス k には次の値があります。

$| {\overset{〜}{C}}^{- 1} D^{- 1 / 2} (μ_{k} - μ_{0}) | \leq δ .$

したがっしたがっδ≥Deltapredictor（i）の場合、正則化された分類器は予測子iを使用しん。

参考文献

[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。

拡张机能

C/C ++コード生成
MATLAB®编码器™を使用てC ++コードを生成し。。。

使用上注意および制限事项：

関数predictはコード生成をサポートします。
fitcdiscrを使用して判別分析モデルに学習をさせる場合、またはmakecdiscrを使用コンパクト判别分析モデルをする，名前と値ペアの引数'ScoreTransform'の値を無名関数にすることはできません。

详细は，コード生成の绍介を参照しください。

参考

CompactClassificationDiscriminant|fitcdiscr|compareHoldout

トピック

判別分析分類

R2011b で導入

分类歧视クラス

説明

构筑

プロパティ

オブジェクト関数

コピーのセマンティクス

例

判別分析モデルの学習

詳細

判別分類

正則化

参考文献

拡张机能

C/C ++コード生成
MATLAB®编码器™を使用てC ++コードを生成し。。。

参考

トピック

统计和机器学习工具箱ドキュメンテーション

サポート

機械学習をマスターする: MATLAB ステップ・バイ・ステップガイド

分类歧视クラス

説明

构筑

プロパティ

オブジェクト関数

コピーのセマンティクス

例

判別分析モデルの学習

詳細

判別分類

正則化

参考文献

拡张机能

C/C ++コード生成MATLAB®编码器™を使用てC ++コードを生成し。。。

参考

トピック

统计和机器学习工具箱ドキュメンテーション

サポート

機械学習をマスターする: MATLAB ステップ・バイ・ステップ ガイド

C/C ++コード生成
MATLAB®编码器™を使用てC ++コードを生成し。。。

機械学習をマスターする: MATLAB ステップ・バイ・ステップガイド