主要内容

CompactClassificationDiscriminant

包:classreg.learning.classif

紧凑判别分析类

全部展开页面

描述

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)。

建设

cobj=紧凑（obj）从完整分类器构造紧凑分类器。

cobj= makecdiscr (μ，σ）从类的均值构造一个紧凑的判别分析分类器μ和协方差矩阵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-经过-p矩阵，类间协方差，其中p是预测器的数量。

分类预算

分类预测器索引，总是为空([]） .

一会

训练数据中的元素列表Y删除重复的。一会可以是类别数组、字符向量单元格数组、字符数组、逻辑向量或数字向量。一会具有与参数中的数据相同的数据类型Y．(该软件将字符串数组视为字符向量的单元格数组。)

COEFFS.

k-经过-k系数矩阵结构，其中k为类数。多项式系数(i, j)包含类之间的线性或二次边界的系数我和j．领域多项式系数(i, j)：

  • 差异

  • Class1- - - - - -一会（一世）

  • 类别2- - - - - -一会（j）

  • 常量——一个标量

  • 线性- 矢量与p组件,p列数是多少X

  • 二次- - - - - -p-经过-p矩阵，对于二次矩阵存在差异

类之间边界的方程我和班级j是

常量+线性＊x+x '＊二次＊x＝0，

在哪里x列向量是长度的吗p．

如果fitcdiscr.有Fillcoeffs.名称 - 值对设置为'离开'在构造分类器时，COEFFS.是空的([]）.

成本

方阵,成本(i, j)将一个点分类的成本是多少j如果它的真实课程是我(即，行对应真正的类，列对应预测的类)。的行和列的顺序成本中类的顺序一会．行号和列数成本是响应中唯一类的数量。

改变一个成本矩阵使用点表示法：obj。成本＝成本Matrix．

δ

线性判别模型的δ阈值，一个非负标量。如果一个系数obj大小小于δ，obj设此系数为0，因此您可以从模型中消除相应的预测器。集δ为了消除更多预测器的值更高。

δ必须0二次判别模型。

改变δ使用DOT表示法：obj。Delta = newDelta．

DeltaPredictor

行向量的长度等于中预测器的数量obj．如果DeltaPredictor (i) <三角洲然后系数我模型的一个特点是0．

如果obj是一个二次判别模型，所有的元素DeltaPredictor是0．

差异

指定判别类型的字符矢量。之一：

  • “线性”

  • '二次'

  • 'diaglinear'

  • “diagQuadratic”

  • “pseudoLinear”

  • “pseudoQuadratic”

改变差异使用DOT表示法：obj。D我scrimType = newDiscrimType．

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。

伽玛

伽马正则化参数的值，标量0来1．改变伽玛使用DOT表示法：obj.gamma = newgamma.．

  • 如果你设置1对于线性判别，判别将其类型设置为'diaglinear'．

  • 如果你设置一个介于MinGamma和1对于线性判别，判别将其类型设置为“线性”．

  • 的值以下的值不能设置MinGamma财产。

  • 对于二次判别，你可以任意设置0（为了差异'二次')或1（为了差异“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

  • 向量的长度K用于二次判别分析，在哪里K是班级数吗

MinGamma

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，MinGamma是0．

μ

类的意思，指定为K-经过-p矩阵的标量值类的大小。K是班数，和p是预测器的数量。每一行的μ表示相应类的多变量正常分布的平均值。班级指数正在进行中一会属性。

预测的人

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一会．

添加或更改之前使用点符号的向量:obj。Prior = priorVector．

ResponseName

描述响应变量的字符矢量Y．

scoretransform.

表示内置转换函数或转换分数的函数句柄的字符向量。“没有”意味着没有转换;同样,“没有”方法@ 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ascoretransform.函数的用法如下:

  • cobj。ScoreTransform = '函数＇

  • cobj。ScoreTransform = @函数

σ

类内协方差矩阵或矩阵。尺寸取决于差异：

  • “线性”(默认)-矩阵的大小p-经过-p， 在哪里p是预测器的数量

  • '二次'-大小数组p-经过-p-经过-K， 在哪里K是班级数吗

  • 'diaglinear'-长度的行向量p

  • “diagQuadratic”-大小数组1-经过-p-经过-K

  • “pseudoLinear”-矩阵的大小p-经过-p

  • “pseudoQuadratic”-大小数组p-经过-p-经过-K

对象的功能

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

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．

例子

全部折叠

打开生活的脚本

加载示例数据。

负载fisheriris

为样本数据构造判别分析分类器。

fullobj = fitcdiscr(量、种类);

构造一个紧凑的判别分析分类，并将其尺寸与完整分类器的大小进行比较。

cobj =紧凑(fullobj);b =谁('fullobj'）;% b.bytes = fullobj的大小c = whos（“cobj”）;％c.bytes = COBJ的大小[b。字节c.bytes]％显示Cobj使用60％的内存
ans =1×218291 11678

紧凑分类器比完整分类器小。

打开生活的脚本

从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fisheririsμ(1:)=意味着(量(1:50,:));:μ(2)=意味着(量(51:100:));μ(3)=意味着(量(101:150:));mm1 = repmat(μ(1:),50岁,1);平方毫米= repmat(μ(2:),50岁,1);mm3 = repmat(μ(3:),50岁,1);cc =量;抄底:= cross (c, cross (c, cross));抄底:if (cross (c, ma (c, ma (c, ma (c, d)))， linethick2, color00ff00;抄底:if (cross (c, ma (c, 5)) and cross (c, 5)， cross (c, 5)， color00ff00; sigstar = cc' * cc / 147; cpct = makecdiscr(mu,sigstar,．..'Classnames', {'setosa'，“多色的”，'virginica'}）;

更多关于

展开全部

扩展功能

另请参阅

|||||

主题

介绍了R2011b

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书