创建判别分析模型

判别分析模型是：

每个班级（y）生成数据（X）使用多变量的正态分布。换句话说，模型假定X具有高斯混合分布（GMDistribution.）。
- 对于线性判别分析，该模型对每个类具有相同的协方差矩阵;只有手段变化。
- 对于二次判别分析，每个阶级的手段和协方差都有所不同。

在这种建模假设下，fitcdiscr.Infers每个类的平均值和协方差参数。

对于线性判别分析，它计算每个类的样本均值。然后，通过首先将每个类的样本平均值从该阶级的观察结果中减去每个类的样本平均值来计算样本协方差，并采用结果的经验协方差矩阵。
对于二次判别分析，它计算每个类的样本均值。然后，首先将每个类的样本平均值从该类的观察中减去每个类的样本平均值来计算样本的协方差，并采用每个班级的经验协方差矩阵。

这合身方法不使用先前的概率或拟合成本。

加权观察

fitcdiscr.使用以下方案构建加权分类器。认为m是一个n-经过-K.班级成员矩阵：

m_NK.= 1如果观察N.是来自课堂K.
m_NK.否则= 0。

阶级的估计是未加权数据的含义是

${\hat{μ}}_{K.} = \frac{{σ.}_{N. = 1}^{n} m_{N. K.} X_{N.}}{{σ.}_{N. = 1}^{n} m_{N. K.}} 。$

对于具有积极重量的加权数据W._N.，自然概括是

${\hat{μ}}_{K.} = \frac{{σ.}_{N. = 1}^{n} m_{N. K.} {W.}_{N.} X_{N.}}{{σ.}_{N. = 1}^{n} m_{N. K.} {W.}_{N.}} 。$

对未加权数据的汇总协方差矩阵的无偏估计是

$\hat{σ.} = \frac{{σ.}_{N. = 1}^{n} {σ.}_{K. = 1}^{K.} m_{N. K.} （ X_{N.} - {\hat{μ}}_{K.} 的） {（ X_{N.} - {\hat{μ}}_{K.} 的）}^{T.}}{n - K.} 。$

对于二次判别分析，fitcdiscr.用途K.= 1。

对于加权数据，假设权重到1，则汇总协方差矩阵的无偏见估计是

$\hat{σ.} = \frac{{σ.}_{N. = 1}^{n} {σ.}_{K. = 1}^{K.} m_{N. K.} {W.}_{N.} （ X_{N.} - {\hat{μ}}_{K.} 的） {（ X_{N.} - {\hat{μ}}_{K.} 的）}^{T.}}{1 - {σ.}_{K. = 1}^{K.} \frac{{W.}_{K.}^{（ 2 的）}}{{W.}_{K.}}} ，，，，$

在哪里

${W.}_{K.} = {σ.}_{N. = 1}^{n} m_{N. K.} {W.}_{N.}$ 是类的权重的总和K.。
${W.}_{K.}^{（ 2 的）} = {σ.}_{N. = 1}^{n} m_{N. K.} {W.}_{N.}^{2}$ 是每个类的平方重量的总和。

创建判别分析模型

加权观察

也可以看看

职能

对象

相关话题

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南