CompactClassificationDiscriminant

包：classreg.learning.classif

紧凑型判别分析类

扩大所有页面

描述

一个CompactClassificationDiscriminant对象是判别分析分类器的压缩版本。紧凑的版本不包括训练分类数据。因此，你不能用紧凑的分级执行某些任务，如交叉验证。使用进行预测（分类）的新数据的紧凑分类。

施工

cobj=紧凑(OBJ）从构建一个完整的分类紧凑的分类。

cobj= makecdiscr（亩，适马）从类装置构造一个紧凑判别分析分类器亩和协方差矩阵适马。对于语法的详细信息，请参阅makecdiscr。

输入参数

OBJ

判别分析分类，使用创建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。类名可以是一个分类阵列，字符向量的单元阵列中，字符数组，逻辑载体或数值向量。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。）

Coeffs

ķ——- - - - - -ķ系数矩阵，其中的结构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（一世）

  • 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，Coeffs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。行和列的数量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是二次判别模型的所有元件DeltaPredictor是0。

DiscrimType

字符向量指定的判别式。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”。

  • 您不能设置下面的值值MinGamma属性。

  • 对于二次判别，你可以设定0(DiscrimType“二次”） 要么1(DiscrimType'diagQuadratic'）。

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，伽玛参数的最小值，以使相关矩阵是可逆的。如果相关矩阵不是奇异，MinGamma是0。

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。

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使用下列中的一个功能：

  • cobj.ScoreTransform ='功能“

  • cobj.ScoreTransform = @功能

适马

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，其中p预测者的数量是多少

  • “二次”- 大小的数组p——- - - - - -p——- - - - - -ķ，其中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

方法

边缘 分级刃
的logP 登录无条件概率密度判别分析分类
失利 分类错误
泰姬陵 类装置马哈拉诺比斯距离
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

开立真实脚本

加载样本数据。

加载fisheriris

构建用于样本数据判别分析分类器。

fullobj = fitcdiscr（MEAS，物种）;

构造一个紧凑的判别分析分类器，并与完整分类器的大小进行比较。

cobj =紧凑（fullobj）;B =卫生组织（“fullobj”）;％b.bytes = fullobj的大小c =谁('cobj'）;% c。字节= cobj的大小[b.bytes c.bytes]%显示cobj使用了60%的内存
ANS =1×218123 11510

紧凑的分类比全分类小。

开立真实脚本

构建从装置和费舍尔虹膜数据的协方差的紧凑判别分析分类器。

加载fisheriris亩（1，:) =平均值（MEAS（1:50，:)）;亩（2，:) =平均值（MEAS（51：100，:)）;亩（3，:) =平均值（MEAS（101：150，:)）;MM1 = repmat（亩（1，:)，50,1）;平方毫米= repmat（亩（2，:)，50,1）;立方毫米= repmat（亩（3，:)，50,1）;CC = MEAS;CC（1:50，:) = CC（1:50，:)  -  MM1;CC（51：100，:) = CC（51：100，:)  - 平方毫米;CC（101：150，:) = CC（101：150，:)  - 立方毫米; sigstar = cc' * cc / 147; cpct = makecdiscr(mu,sigstar,...“类名”{“setosa”，“花斑癣”，“virginica”}）;

更多关于

展开全部

扩展功能

也可以看看

|||||

主题

介绍了在R2011b

统计和机器学习工具箱文档
万博1manbetx
掌握机器学习：有步骤，分步指南与MATLAB

掌握机器学习：有步骤，分步指南与MATLAB

下载电子书