主要内容

CompactClassificationDiscriminant

包:classreg.learning.classif

紧凑型判别分析类

在页面中全部展开

描述

一个CompactClassificationDiscriminant对象是判别分析分类器的精简版本。精简版本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——- - - - - -p矩阵，类间协方差，其中p是预测器的数量。

CategoricalPredictors

分类预测器索引，它总是空的(［］)。

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、字符向量的单元格数组、字符数组、逻辑向量或数字向量。一会是否与实参中的数据类型相同Y．(该软件将字符串数组视为字符向量的单元格数组。)

多项式系数

k——- - - - - -k系数矩阵结构，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——一个标量

  • 线性-一个向量p组件,p列数在吗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列向量的长度是多少p．

如果fitcdiscr有FillCoeffs名称-值对设置为“关闭”在构造分类器时，多项式系数是空的(［］)．

成本

方阵,成本(i, j)将一个点分类到类的成本是多少j如果它真正的阶级是我(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的类的顺序一会．中的行数和列数成本是响应中惟一类的数量。

改变一个成本使用点表示法的矩阵:obj。成本＝成本Matrix．

δ

非负标量线性判别模型的δ阈值。如果系数为obj大小小于δ，obj将该系数设置为0，这样就可以从模型中剔除相应的预测因子。集δ到更高的值以消除更多的预测因子。

δ必须0对于二次判别模型。

改变δ使用点符号:obj。Delta = newDelta．

DeltaPredictor

行向量的长度等于预测因子的个数obj．如果DeltaPredictor (i) <三角洲然后系数我这个模型是0．

如果obj是不是一个二次判别模型，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．

可以在线性类型或二次类型之间进行更改，但不能在线性类型和二次类型之间进行更改。

γ

正则化参数的值，来自的标量0来1．改变γ使用点符号:obj。γ= newGamma．

  • 如果你设置1对于线性鉴别器，鉴别器将其类型设置为“diagLinear”．

  • 如果你设置一个值MinGamma而且1对于线性鉴别器，鉴别器将其类型设置为“线性”．

  • 的值之下设置的值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取决于鉴别类型:

  • 标量线性判别分析

  • 向量的长度K对于二次判别分析，其中K是班级的数量吗

MinGamma

非负标量，参数的最小值，使相关矩阵可逆。如果相关矩阵不是奇异的，MinGamma是0．

μ

类的含义，指定为K——- - - - - -p矩阵的标量值类意味着大小。K是多少班，和p是预测器的数量。每一行的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，按它们在训练数据中出现的顺序排列X．

之前

每种类别的先验概率的数字向量。元素的顺序之前中的类的顺序一会．

添加或更改之前向量使用点表示法:obj。Prior = priorVector．

ResponseName

描述响应变量的字符向量Y．

ScoreTransform

表示内置转换函数的字符向量，或用于转换分数的函数句柄。“没有”意味着没有转换;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函数使用下列之一:

  • cobj。ScoreTransform = '函数＇

  • cobj。ScoreTransform = @函数

σ

类内协方差矩阵或矩阵。尺寸取决于DiscrimType：

  • “线性”(默认)-大小矩阵p——- - - - - -p,在那里p是预测因子的数量吗

  • “二次”-数组的大小p——- - - - - -p——- - - - - -K,在那里K是班级的数量吗

  • “diagLinear”-长度的行向量p

  • “diagQuadratic”-数组的大小1——- - - - - -p——- - - - - -K

  • “pseudoLinear”-尺寸矩阵p——- - - - - -p

  • “pseudoQuadratic”-数组的大小p——- - - - - -p——- - - - - -K

对象的功能

compareHoldout 使用新数据比较两种分类模型的准确性
边缘 分类的优势
石灰 局部可解释模型不可知解释(LIME)
logp 对数无条件概率密度判别分析分类器
损失 分类错误
泰姬陵 马氏距离对分类器的判别分析方法
保证金 分类的利润率
nLinearCoeffs 非零线性系数的个数
partialDependence 计算部分依赖
plotPartialDependence 创建偏依赖图(PDP)和个体条件期望图(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

加载样例数据。

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器，并将其大小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 =谁(“cobj”）;% c.bytes = cobj的大小[b。字节c.bytes]%表示cobj使用了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出发，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;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”})；

更多关于

全部展开

扩展功能

版本历史

介绍了R2011b

另请参阅

|||||

主题

Baidu
map