分类
判别分析
句法
类分类=（样品，培训，基团）
类分类=（样品，培训，基，”类型“）
类分类=（样品，培训，基，”类型”，先）
[类，ERR] =分门别类（...）
[类，ERR，后] =分门别类（...）
[类、犯错后,logp] =分类(…)
[类，ERR，后，的logP，系数_] =分门别类（...）
描述
类分类=（样品，培训，基团）中对数据的每一行进行分类样品成的基团之一训练。样品和训练必须是具有相同列数的矩阵。集团分组变量是训练。其独特的价值定义组;每个元素定义的组，其中的相应行训练所属。集团可以是分类变量、数字向量、字符数组、字符串数组或字符向量的单元数组。训练和集团必须具有相同的行数。分类对待<定义>值为NaN空字符向量，空字符串，和<失踪>字符串值在集团为丢失的数据值，并忽略的相应的行训练。输出类指示组，其中的每一行样品已分配，并且是相同的类型的集团。
类分类=（样品，培训，基，”允许您指定判别函数的类型。指定类型“）类型里面的单引号。类型是一个:
线性- 适合多元正态密度到各组，与协方差的汇总估计。这是默认的。diaglinear- 相似线性，但采用对角协方差矩阵估计(朴素贝叶斯分类器)。二次-拟合多元正态密度与协方差估计分层的组。diagquadratic- 相似二次，但采用对角协方差矩阵估计(朴素贝叶斯分类器)。马氏-使用分层协方差估计的马氏距离。
类分类=（样品，培训，基，”允许您为组指定先验概率。类型”，先）先是一个:
一个数字向量相同的长度唯一值的数
集团(或为。定义的层数。集团,如果集团是绝对的)。如果集团是数值或类别，顺序先必须对应于有序值集团。否则，顺序先必须对应于值的第一次出现的次序集团。带有字段的1×1结构:
概率- 一个数值向量。集团-与集团含指示所述组的唯一值到其元素概率对应。
作为一个结构，
先可以包含不出现在集团。这可能是有用的，如果训练是一个集较大的训练集。分类忽略结构中出现但不在结构中出现的任何组集团阵列。字符向量或标量串
'经验'，表明组先验概率应该从相对组的频率中进行估计训练。
先默认为概率相等的数值向量，即。，一个均匀分布。先不用于马氏距离辨别，除误差率计算。
[类，ERR] =分门别类（...）也返回的估计犯错的误分类错误率的基础上训练数据。分类返回明显的错误率，即。中观测值的百分比训练被错误分类，通过对各组的先验概率加权。
[类，ERR，后] =分门别类（...）也返回一个矩阵后路后验概率的估计数Ĵ训练组是这一问题的根源一世样本观测，即镨（组j|OBS我）。后路不计算马氏辨别。
[类、犯错后,logp] =分类(…)也返回一个向量logp包含对样本观测的无条件预测概率密度的对数的估计，p（OBS我）=Σp（OBS我|组j）镨（组j）在所有群体。logp不计算马氏辨别。
[类，ERR，后，的logP，系数_] =分门别类（...）还返回一个结构阵列_系数含有对组之间的边界曲线的系数。每个元素系数_（I，J）包含的信息比较组一世到组Ĵ在以下领域：
类型- 键入判别函数，从类型输入。名1- 第一组的名称。NAME2-第二组的名称。常量- 边界方程的常数项（K）线性- 边界方程的线性系数（L）二次-边界方程Q的二次系数矩阵
为了线性和diaglinear类型中，二次字段不存在，和行X从样品数组被划分为组一世而非组Ĵ如果0 X分为组一世如果0 < K + x * L + x * Q * x '。
例子
使用判别分析进行分类
对于训练数据，使用Fisher的萼片三围为虹膜云芝和锦葵：
加载fisheririsSL =量(51:最终,1);SW =量(51:结束,2);组=物种(51:结束);h1 = gscatter (SL,西南、组'RB'，'V ^'[],“关闭”）;集（H1，'行宽'2)传说(“费舍尔菌”，“费舍尔弗吉尼亚”，...“位置”，“西北”）
分类上同等规模的测量网格：
[X，Y] = meshgrid（linspace（4.5,8），linspace（2,4））;X = X（:);Y = Y（:);[C，ERR，P，的logP，系数_] =分类（[X Y]，[SL SW]，...组,“二次”）;
可视化的分类：
保持在;gscatter（X，Y，C，'RB'，'',1“关闭”）;K =系数_（1,2）.const中;L =系数_（1,2）.linear;Q =系数_（1,2）.quadratic;％功能来计算K + L * V + V'*为多个向量Q * V％V = [X; Y]。接受x和y为标量或列向量。f = @(x,y) K + L(1)*x + L(2)*y + Q(1,1)*x。* x + (Q (1、2) + Q (2,1)) * x。* y + Q (2, 2) * y。* y;h2 = fimplicit(f，[4.5 8 2 4]);集(h2,“颜色”，“米”，'行宽'2,'显示名称'，“决策边界”）轴（[4.5 8 2 4]）xlabel（“萼片长”)ylabel (“萼片宽”)标题(“{\ BF与费舍尔的训练数据分类}”）
选择功能
该fitcdiscr功能还执行判别分析。您可以通过使用训练分类fitcdiscr函数和预测新数据的标签预测功能。该fitcdiscr万博1manbetx支持交叉验证和超参数优化，并且在每次做出新的预测或改变先验概率时不需要匹配分类器。
参考文献
Krzanowski, w。多元统计分析原理：用户的角度。纽约：牛津大学出版社，1988年。
[2] Seber，G. A. F.多变量的观察。新泽西州霍博肯市：John Wiley和Sons公司，1984年。
之前介绍过的R2006a
您也可以从以下列表中选择网站:
