紧凑的判别分析类- MATLAB - 金宝app,下载188bet金宝搏,金宝搏官方网站

描述

一个CompactClassificationDiscriminant对象是一个判别分析分类器的压缩版本。精简版不包括训练分类器的数据。因此，不能使用紧凑分类器执行某些任务，例如交叉验证。使用紧凑分类器对新数据进行预测(分类)。

建设

cobj=紧凑(obj）从完整分类器构造紧凑分类器。

cobj= makecdiscr (μ，σ）由类均值构造一个紧凑的判别分析分类器μ协方差矩阵σ．有关语法的详细信息，请参见makecdiscr．

输入参数

obj

判别分析分类器，创建使用fitcdiscr．

属性

`BetweenSigma`	`p`——- - - - - -`p`矩阵，类间协方差，其中`p`是预测因子的数量。
`CategoricalPredictors`	类别预测符列表，始终为空(`［］`)用于支持向量机和判别分析分类器。
`一会`	训练数据中的元素列表`Y`删除副本。`一会`可以是分类数组、字符向量的单元格数组、字符数组、逻辑向量或数字向量。`一会`与实参中的数据类型相同`Y`．
`多项式系数`	`k`——- - - - - -`k`系数矩阵的结构，其中`k`是类的数量。`多项式系数(i, j)`包含类之间线性或二次边界的系数`我`而且`j`．字段`多项式系数(i, j)`： `DiscrimType` `Class1`- - - - - -`一会(我)` `类别2`- - - - - -`一会(j)` `常量`—标量 `线性`-矢量`p`组件,`p`列的数量是多少`X` `二次`- - - - - -`p`——- - - - - -`p`矩阵，对于二次元存在`DiscrimType` 类与类之间的边界方程`我`和类`j`是 `常量`+`线性`＊`x`+`x '`＊`二次`＊`x`＝`0`，在哪里`x`列向量是长度吗`p`．如果`fitcdiscr`有`FillCoeffs`名称-值对设置为`“关闭”`在构造分类器时，`多项式系数`为空(`［］`)．
`成本`	方阵，其中`成本(i, j)`将一个点分类的成本是多少`j`如果它真正的阶级是`我`(即行对应真实的类，列对应预测的类)。的行和列的顺序`成本`中类的顺序对应`一会`．中的行数和列数`成本`响应中唯一类的数量。改变一个`成本`使用点表示法的矩阵:`obj。成本＝成本Matrix`．
`δ`	线性判别模型的Delta阈值，非负标量。如果的系数`obj`大小小于`δ`，`obj`将这个系数设为`0`，这样你就可以从模型中消除相应的预测器。集`δ`到更高的值，以消除更多的预测因素。 `δ`必须`0`对于二次判别模型。改变`δ`使用点符号:`obj。Delta = newDelta`．
`DeltaPredictor`	行向量的长度等于中的预测数`obj`．如果`deltappredictor (i) < Delta`然后系数`我`模型的特点是`0`．如果`obj`是二次判别模型，所有元素的`DeltaPredictor`是`0`．
`DiscrimType`	指定鉴别类型的字符向量。之一: `“线性”` `“二次”` `“diagLinear”` `“diagQuadratic”` `“pseudoLinear”` `“pseudoQuadratic”` 改变`DiscrimType`使用点符号:`obj。D我scrimType = newDiscrimType`．您可以在线性类型之间或二次类型之间进行更改，但不能在线性和二次类型之间进行更改。
`γ`	Gamma正则化参数的值，从的标量`0`来`1`．改变`γ`使用点符号:`obj。= newGamma`．如果你设置`1`对于线性判别式，判别式将其类型设置为`“diagLinear”`．如果你设置一个值`MinGamma`而且`1`对于线性判别式，判别式将其类型设置为`“线性”`．属性的值以下不能设置值`MinGamma`财产。对于二次判别，你可以任意设置`0`(`DiscrimType“二次”`)或`1`(`DiscrimType“diagQuadratic”`)．
`LogDetSigma`	类内协方差矩阵行列式的对数。的类型`LogDetSigma`取决于判别类型: 线性判别分析的标量长度向量`K`对于二次判别分析，其中`K`是课程的数量吗
`MinGamma`	非负标量，参数的最小值，使相关矩阵是可逆的。如果相关矩阵不是奇异的，`MinGamma`是`0`．
`μ`	类的意思是，指定为`K`——- - - - - -`p`矩阵的标量值类大小的平均数。`K`是班级的数量，和`p`是预测因子的数量。每行`μ`表示对应类的多元正态分布的均值。类索引在`一会`属性。
`PredictorNames`	预测变量名称的单元格数组，按照它们在训练数据中出现的顺序`X`．
`之前`	每个类的先验概率的数字向量。元素的顺序`之前`中类的顺序对应`一会`．添加或更改`之前`用点表示的向量:`obj。Prior = priorVector`．
`ResponseName`	描述响应变量的特征向量`Y`．
`ScoreTransform`	转换分数的函数句柄，或表示内置转换函数的字符向量。`“没有”`表示没有变换;同样,`“没有”`意味着`@ x (x)`．有关内置转换函数的列表和自定义转换函数的语法，请参见`fitcdiscr`．实现点表示法来添加或更改`ScoreTransform`使用以下方法之一函数: `cobj。ScoreTransform = '函数＇` `cobj。ScoreTransform = @函数`
`σ`	类内协方差矩阵或矩阵。维度取决于`DiscrimType`： `“线性”`(默认)-大小矩阵`p`——- - - - - -`p`,在那里`p`预测因子的数量是多少 `“二次”`-大小数组`p`——- - - - - -`p`——- - - - - -`K`,在那里`K`是课程的数量吗 `“diagLinear”`-长度的行向量`p` `“diagQuadratic”`-大小数组`1`——- - - - - -`p`——- - - - - -`K` `“pseudoLinear”`-大小矩阵`p`——- - - - - -`p` `“pseudoQuadratic”`-大小数组`p`——- - - - - -`p`——- - - - - -`K`

方法

compareHoldout	比较使用新数据的两种分类模型的准确性
边缘	分类的优势
logP	对数无条件概率密度用于判别分析分类器
损失	分类错误
泰姬陵	马氏距离类均值
保证金	分类的利润率
nLinearCoeffs	非零线性系数的个数
预测	使用判别分析分类模型预测标签

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象(MATLAB)在MATLAB中^®文档。

例子

全部展开

构造一个紧凑的判别分析分类器

打开脚本

加载样例数据。

负载fisheriris

对样本数据构造判别分析分类器。

Fullobj = fitcdiscr(meas,species);

构造一个紧凑判别分析分类器，并将其大小与完整分类器的大小进行比较。

Cobj = compact(fullobj);B = whos(“fullobj”）;% b.bytes = fullobj的大小C = whos(“cobj”）;% c.bytes = cobj的大小[b。字节c.bytes]%表示cobj使用了60%的内存

Ans = 18279 11642

紧凑分类器比完整分类器小。

使用均值和协方差构造分类器

打开脚本

利用Fisher虹膜数据的均值和协方差构造一个紧凑的判别分析分类器。

负载fisheririsMu (1，:) = mean(meas(1:50，:));Mu (2，:) = mean(meas(51:100，:));Mu (3，:) = mean(meas(101:150，:));Mm1 = repmat(mu(1，:)，50,1);Mm2 = repmat(mu(2，:)，50,1);Mm3 = repmat(mu(3，:)，50,1);Cc = meas;Cc (1:50，:) = Cc (1:50，:) - mm1;Cc (51:100，:) = Cc (51:100，:) - mm2;Cc (101:150，:) = Cc (101:150，:) - mm3; sigstar = cc' * cc / 147; cpct = makecdiscr(mu,sigstar,.．.“类名”, {“setosa”，“多色的”，“virginica”})；

定义

全部展开

判别分类

判别分析模型为:

每节课(Y)生成数据(X)，采用多元正态分布。也就是说，该模型假设X为高斯混合分布(gmdistribution)．
- 对于线性判别分析，每一类模型的协方差矩阵相同，只是均值不同。
- 对于二次判别分析，每一类的均值和协方差都是不同的。

预测进行分类，以使期望的分类成本最小化:

$\overset{＾}{y} ＝ \underset{y ＝ 1 ， .．. ， K}{参数最小值} \sum_{k ＝ 1}^{K} \overset{＾}{P} （ k | x ） C （ y | k ），$

在哪里

$\overset{＾}{y}$ 是预测的分类。
K是类的数量。
$\overset{＾}{P} （ k | x ）$ 是后验概率类的k为观察x．
$C （ y | k ）$ 是成本将观察结果归类为y当它真正的阶级是k．

详细信息请参见预测方法如何分类．

正则化

正则化是寻找一小组预测器的过程，这些预测器可以产生有效的预测模型。对于线性判别分析，有两个参数，γ而且δ，控制正则化如下。cvshrink帮助您选择合适的参数值。

设Σ表示数据的协方差矩阵X，让 $\overset{＾}{X}$ 是居中的数据(数据X减去类别的平均值)。定义

$D ＝诊断接头（ {\overset{＾}{X}}^{T} ＊ \overset{＾}{X} ）．$

正则化协方差矩阵 $\tilde{Σ}$ 是

$\tilde{Σ} ＝（ 1 - γ ） Σ + γ D ．$

每当γ≥MinGamma， $\tilde{Σ}$ 是满秩。

让μ_k是这些元素的平均向量X在课堂上k，让μ₀是全局平均向量(的行的平均值X)．让C为数据的相关矩阵X，让 $\tilde{C}$ 为正则化相关矩阵:

$\tilde{C} ＝（ 1 - γ ） C + γ 我，$

在哪里我是单位矩阵。

数据点的正则判别分析分类器中的线性项x是

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

的参数δ作为方括号内最后一项的阈值进入这个方程。向量的每一个分量 $［ {\tilde{C}}^{- 1} D^{- 1 / 2} （ μ_{k} - μ_{0} ）］$ 如果它的大小小于阈值，则设置为0δ．因此，对于课堂k， if分量j阈值是零吗，分量j的x不进入后验概率的评估。

的DeltaPredictor属性是与此阈值相关的向量。当δ≥DeltaPredictor(我)，所有班级k有

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

因此,当δ≥DeltaPredictor(我)，正则化分类器不使用预测器我．

另请参阅

ClassificationDiscriminant|紧凑的|fitcdiscr|makecdiscr|预测

主题

判别分析

文档

CompactClassificationDiscriminant类

描述

建设

输入参数

属性

方法

复制语义

例子

构造一个紧凑的判别分析分类器

使用均值和协方差构造分类器

定义

判别分类

正则化

另请参阅

主题

统计和机器学习工具箱文档

其他文档

金宝app

试试MATLAB、Sim金宝appulink和其他产品下载188bet金宝搏