包:classreg.learning.classif
紧凑判别分析类
一个CompactClassificationDiscriminant
对象是判别分析分类器的精简版本。精简版不包括训练分类器的数据。因此,您不能使用紧凑的分类器执行某些任务,例如交叉验证。使用紧凑的分类器对新数据进行预测(分类)。
从完整分类器构造紧凑分类器。cobj
=紧凑(obj
)
从类的均值构造一个紧凑的判别分析分类器cobj
= makecdiscr (μ
,σ
)μ
和协方差矩阵σ
.有关语法的详细信息,请参见makecdiscr.
.
|
判别分析分类器,创建使用 |
|
|
|
分类预测器索引,总是为空( |
|
训练数据中的元素列表 |
|
类之间边界的方程
在哪里 如果 |
|
方阵, 改变一个 |
|
线性判别模型的δ阈值,一个非负标量。如果一个系数
改变 |
|
行向量的长度等于中预测器的数量 如果 |
|
指定判别类型的字符矢量。之一:
改变 您可以在线性类型之间更改,也可以在二次类型之间更改,但不能在线性和二次类型之间更改。 |
|
伽马正则化参数的值,标量
|
|
类内协方差矩阵行列式的对数。的类型
|
|
非负标量,Gamma参数的最小值,使相关矩阵可逆。如果相关矩阵不奇异, |
|
类的意思,指定为 |
|
预测变量的单元格数组名称,按它们在训练数据中出现的顺序排列 |
|
每个类的先验概率的数字向量。元素的顺序 添加或更改 |
|
描述响应变量的字符矢量 |
|
表示内置转换函数或转换分数的函数句柄的字符向量。 实现点表示法来添加或更改a
|
|
类内协方差矩阵或矩阵。尺寸取决于
|
compareHoldout |
使用新数据比较两个分类模型的精度 |
边缘 |
分类的优势 |
酸橙 |
局部可解释的模型不可知解释(LIME) |
logp |
判别分析分类器的对数无条件概率密度 |
损失 |
分类错误 |
泰姬陵 |
判别分析分类器的马氏距离 |
保证金 |
分类边距 |
nLinearCoeffs |
非零线性系数的个数 |
partialDependence |
计算部分依赖 |
情节依存 |
创建部分依赖图(PDP)和个人条件期望图(ICE) |
预测 |
使用判别分析分类模型预测标签 |
沙普利 |
沙普利值 |
价值。要了解值类如何影响复制操作,请参见复制对象.