ClassificationDiscriminant类

超：CompactClassificationDiscriminant

判别分析分类

扩大所有页面

描述

一个ClassificationDiscriminant对象封装判别分析分类器，其是用于数据生成一高斯混合模型。一个ClassificationDiscriminant对象可以预测对新数据的响应预测方法。该对象包含用于训练数据，因此可以计算resubstitution预测。

施工

创建一个ClassificationDiscriminant对象的使用fitcdiscr。

属性

`BetweenSigma`	`p`——- - - - - -`p`矩阵，类间协方差，其中`p`是预测的数目。
`CategoricalPredictors`	分类预测指标，这始终是空的（`[]`）。
`类名`	在训练数据元素的列表`ÿ`与重复删除。`类名`可以是类别数组、字符向量的单元数组、字符数组、逻辑向量或数字向量。`类名`数据类型与参数中的数据相同`ÿ`。（该软件把字符串数组作为字符向量的单元阵列。）
`多项式系数`	`ķ`——- - - - - -`ķ`系数矩阵的结构，其中`ķ`是的类的数量。`Coeffs（I，J）`包含线性的系数或类之间边界二次`一世`和`Ĵ`。字段`Coeffs（I，J）`： `DiscrimType` `1类`-`类名(我)` `等级2`-`类名(j)` `常量`- 一个标量 `线性`-一个向量`p`组件，其中`p`是列在数`X` `二次`-`p`——- - - - - -`p`矩阵，存在对二次`DiscrimType` 阶级之间边界的方程`一世`和类`Ĵ`是 `常量`+`线性``X`+`X'``二次`*`X`=`0`，哪里`X`是长度的列向量`p`。如果`fitcdiscr`有`FillCoeffs`名称-值对设置为`“关闭”`构建分类时，`多项式系数`是空的（`[]`）。
`成本`	方阵，其中，`成本（I，J）`是分类的点到类的费用`Ĵ`如果它的真类是`一世`（即，行对应于真类和列对应于所预测的类）。行和列的顺序`成本`对应于类的顺序`类名`。中的行数和列数`成本`为响应中唯一类的数量。变化的`成本`点符号矩阵:`obj.Cost = costMatrix`。
`三角洲`	增量阈值的线性判别模型，一个非负的标量的值。如果系数`OBJ`有幅度小于`三角洲`，`OBJ`设置该系数`0`，所以可以消除从模型对应的预测。组`三角洲`到一个更高的值，以消除更多的预测。 `三角洲`一定是`0`对于二次判别模型。改变`三角洲`使用点符号:`obj.Delta = newDelta`。
`DeltaPredictor`	长度的行矢量等于预测的在数`OBJ`。如果`DeltaPredictor（ⅰ）<德尔塔`然后系数`一世`模型是`0`。如果`OBJ`是一个二次判别模型，所有的元素`DeltaPredictor`是`0`。
`DiscrimType`	指定鉴别类型的字符向量。之一: `“线性”` `“二次”` `“diagLinear”` `'diagQuadratic'` `“伪线性”` `'pseudoQuadratic'` 改变`DiscrimType`使用点符号:`obj.DiscrimType = newDiscrimType`。你可以线性类型之间改变，或二次类型之间，但线性和二次类型之间不能改变。
`γ`	值的伽马正则化参数，标量从`0`至`1`。改变`γ`使用点符号:`obj。γ= newGamma`。如果设置`1`对于线性判别器，判别器将其类型设置为`“diagLinear”`。如果您设置之间的值。`MinGamma`和`1`对于线性判别器，判别器将其类型设置为`“线性”`。属性的值之下不能设置值`MinGamma`属性。对于二次判别，你可以设定`0`(`DiscrimType“二次”`）要么`1`(`DiscrimType'diagQuadratic'`）。
`HyperparameterOptimizationResults`	超参数的交叉验证优化的说明中，存储为`BayesianOptimization`对象或超参数和相关联的值的表。非空当`OptimizeHyperparameters`名称 - 值对是在创建非空。值取决于的设置`HyperparameterOptimizationOptions`在创建名称 - 值对： `'bayesopt'`（默认） - 类对象`BayesianOptimization` `'gridsearch'`要么`“randomsearch”`- 超参数的表所使用的，观测到的观测的目标函数值（交叉验证损失），和等级从最低（最好）至最高（最差）
`LogDetSigma`	类内协方差矩阵的行列式的对数。该类型的`LogDetSigma`取决于判别类型：标量为线性判别分析长的矢量`ķ`为二次判别分析，其中`ķ`是类数
`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`。
`ModelParameters`	在训练中使用的参数`OBJ`。
`亩`	类装置，指定为`ķ`——- - - - - -`p`矩阵的大小的标量值类的装置。`ķ`是类的数量，和`p`是预测的数目。每行`亩`表示对应类的多元正态分布的均值。类索引在`类名`属性。
`NumObservations`	观察在训练数据数量，数字标。`NumObservations`可以小于输入数据的行数`X`中缺少值时`X`或响应`ÿ`。
`PredictorNames`	预测变量名称的单元阵列，在该命令在它们出现在训练数据中`X`。
`先`	用于每个类别的先验概率的数值向量。的元素的顺序`先`对应于类的顺序`类名`。添加或更改`先`向量使用点符号：`obj.Prior = priorVector`。
`ResponseName`	描述响应变量的特征向量`ÿ`。
`ScoreTransform`	代表一个内置的转换功能，或用于转换分数的函数处理字符向量。`'没有'`意味着没有变;等价地，`'没有'`意味着`@（X）X`。对于列表内置的转换功能和自定义转换函数的语法，请参阅`fitcdiscr`。实施点符号添加或更改`ScoreTransform`函数使用下列之一: `cobj.ScoreTransform ='功能“` `cobj.ScoreTransform = @功能`
`σ`	类内协方差矩阵或矩阵。尺寸取决于`DiscrimType`： `“线性”`（默认） - 大小的矩阵`p`——- - - - - -`p`,在那里`p`预测者的数量是多少 `“二次”`- 大小的数组`p`——- - - - - -`p`——- - - - - -`ķ`,在那里`ķ`是类数 `“diagLinear”`- 长度的行向量`p` `'diagQuadratic'`- 大小的数组`1`——- - - - - -`p`——- - - - - -`ķ` `“伪线性”`- 大小的矩阵`p`——- - - - - -`p` `'pseudoQuadratic'`- 大小的数组`p`——- - - - - -`p`——- - - - - -`ķ`
`w ^`	按比例缩小的`权重`，一个具有长度的向量`ñ`的行数`X`。
`X`	预测值矩阵。每一列的`X`代表一个预测值（变量），而每行代表一个观察。
`Xcentered`	`X`与类装置中的数据中减去。如果`义）`是类的`Ĵ`， `Xcentered（I，:)`=`X（I，:)`-`穆（J，:)`，哪里`亩`是类均值性质。
`ÿ`	甲分类阵列，字符向量的单元阵列中，字符数组，逻辑向量，或者与相同的行数为数值矢量`X`。每行`ÿ`表示的对应行的分类`X`。

方法

紧凑的	紧凑型判别分析分类
crossval	交叉验证判别分析分类
cvshrink	线性判别的交叉验证正规化
resubEdge	通过resubstitution分级刃
resubLoss	通过resubstitution分类错误
resubMargin	分类利润率由resubstitution
resubPredict	预测判别分析分类模型resubstitution标签

继承的方法

边缘	分级刃
的logP	记录判别分析分类器的无条件概率密度
损失	分类错误
泰姬陵	马氏距离意味着
余量	分类的利润率
nLinearCoeffs	非零线性系数的数目
预测	使用判别分析分类模型预测标签

复制语义

值。要了解值类如何影响复制操作，请参阅复制对象（MATLAB）。

例子

全部收缩

火车判别分析模型

开立真实脚本

加载费舍尔的虹膜数据集。

加载fisheriris

使用整个数据集火车判别分析模型。

MDL = fitcdiscr（MEAS，物种）

MDL = ClassificationDiscriminant ResponseName： 'Y' CategoricalPredictors：[]类名：{ 'setosa' '云芝' '锦葵'} ScoreTransform： '无' NumObservations：150 DiscrimType： '线性' 穆：[3x4的双] Coeffs：[3×3结构]属性，方法

MDL是一个ClassificationDiscriminant模型。要访问它的属性，使用点记号。例如，显示每个预测器的组的装置。

Mdl.Mu

ANS =3×45.0060 3.4280 1.4620 0.2460 5.9360 2.7700 4.2600 1.3260 6.5880 2.9740 5.5520 2.0260

预测新的观察标签，合格MDL和预测数据预测。

参考文献

[1]过，Y.，T.黑斯蒂和R. Tibshirani。正则化线性判别分析及其在微阵列应用。生物统计学，卷。8，第1期，第86-100，2007年。

扩展功能

C / c++代码生成
生成使用MATLAB®编码器™C和C ++代码。

用法说明和限制:

该预测函数支持代码生成。万博1manbetx
当您使用训练判别分析模型fitcdiscr或创建使用紧凑判别分析模型makecdiscr，以下限制适用。
- 类标签输入参数值(ÿ）不能是分类数组。
- 的价值“类名”名称-值对参数不能是分类数组。
- 的价值'ScoreTransform'名称 - 值对参数不能匿名函数。