判别分析
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(...)
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 '
。
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。
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。