nLinearCoeffs

数量的非零线性系数

语法

ncoeffs = nLinearCoeffs (obj) ncoeffs = nLinearCoeffs (obj,δ)

ncoeffs= nLinearCoeffs (obj)返回非零的数线性系数的线性判别模型obj。

ncoeffs= nLinearCoeffs (obj,δ)返回非零线性系数阈值参数的数量δ。

`obj`	判别分析分类器,生产使用`fitcdiscr`。
`δ`	标量或矢量值`δ`参数。看到γ和δ。

ncoeffs

非负整数,非零系数判别分析模型obj。

如果你叫nLinearCoeffs与一个δ参数,ncoeffs非零的数量线性系数阈值参数吗δ。如果δ是一个矢量,ncoeffs用相同数量的元素是一个矢量。

如果obj是一个二次判别模型,ncoeffs预测的数量吗obj。

打开生活的脚本

找到的非零系数不同的判别分析分类器δ值。

创建一个判别分析分类器的fishseriris数据。

负载fisheririsobj = fitcdiscr(量、种类);

发现非零系数的数量obj。

ncoeffs = nLinearCoeffs (obj)

ncoeffs = 4

发现非零系数的数量δ= 1,2,4,8。

δ= [1 2 4 8];ncoeffs = nLinearCoeffs (obj,δ)

ncoeffs =4×14 4 3 0

的DeltaPredictor属性的值δ在非零系数的数量变化。

ncoeffs2 = nLinearCoeffs (obj obj.DeltaPredictor)

ncoeffs2 =4×14 3 1 2

正规化的过程中找到一个小的预测产生一个有效的预测模型。线性判别分析,有两个参数,γ和δ、控制正规化如下。cvshrink帮助你选择合适的参数值。

让Σ代表数据的协方差矩阵X,让 $\hat{X}$ 集中的数据(数据X-意思类)。定义

$D = 诊断接头 ({\hat{X}}^{T} * \hat{X}) 。$

正规化的协方差矩阵 $\tilde{Σ}$ 是

$\tilde{Σ} = (1 - γ) Σ + γ D 。$

每当γ≥MinGamma, $\tilde{Σ}$ 是满秩。

让μ_k这些元素的平均向量X在课堂上k,让μ₀是全球平均向量的均值行X)。让C数据的相关矩阵X,让 $\tilde{C}$ 是正规化的相关矩阵:

$\tilde{C} = (1 - γ) C + γ 我,$

在哪里我是单位矩阵。

正规化的线性项判别分析分类器的数据点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进入这个方程作为一个阈值在方括号的最后期限。每个组件的向量 $({\tilde{C}}^{- 1} D^{- 1 / 2} (μ_{k} - μ_{0})]$ 设置为零,如果是小的比阈值大小δ。因此,对于类k如果组件j阈值为零、组件j的x不进入后验概率的评估。

的DeltaPredictor房地产是一个矢量相关阈值。当δ≥DeltaPredictor(我),所有类k有

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

因此,当δ≥DeltaPredictor(我),正规化的分类器不使用预测我。