nlinearcoeffs.

非零线性系数的个数

展开所有页面

句法

ncoeffs = nlinearcoeffs（obj） ncoeffs = nlinearcoeffs（obj，delta）

描述

ncoeffs= nlinearcoeffs（obj.）返回线性判别模型中的非零线性系数的数量obj.。

ncoeffs= nlinearcoeffs（obj.那三角洲）返回阈值参数的非零线性系数的数量三角洲。

输入参数

`obj.`	判别分析分类器，使用`fitcdiscr`。
`三角洲`	标量或矢量值`三角洲`范围。看伽玛和三角洲。

输出参数

ncoeffs

非负整数，判别分析模型中的非零系数的数量obj.。

如果你打电话nlinearcoeffs.与A.三角洲参数,ncoeffs阈值参数的非零线性系数数是多少三角洲。如果三角洲是矢量，ncoeffs是一个具有相同数量元素的矢量。

如果obj.是一种二次判别模型，ncoeffs是预测因子的数量obj.。

例子

展开全部

在判别分析分类器中找到非零系数的数量

打开生活的脚本

找到判别分析分类器中的非零系数的数量三角洲价值观。

从中创建判别分析分类器Fishseriris.数据。

加载渔民obj = fitcdiscr(量、种类);

找到非零系数的数量obj.。

ncoeffs = nlinearcoeffs（obj）

ncoeffs = 4.

找到非零系数的数量三角洲= 1,2,4和8。

delta = [1 2 4 8];ncoeffs = nlinearcoeffs（obj，delta）

ncoeffs =4×14 4 3 0

这DeltaPredictor属性给出了价值三角洲非零系数的数量发生变化。

ncoeffs2 = nlinearcoeffs（obj，obj.deltapredictor）

ncoeffs2 =4×14 3 1 2

更多关于

展开全部

伽玛和三角洲

正规化是找到一小组预测器的过程，产生有效的预测模型。对于线性判别分析，有两个参数，γ和δ，控制正则化如下。cvshrink.帮助您选择参数的适当值。

设Σ表示数据的协方差矩阵X，然后让 $\hat{X}$ 居中数据(数据X减去班上的均值）。定义

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

正规化的协方差矩阵 $\overset{〜}{Σ}$ 是

$\overset{〜}{Σ} = （ 1 - γ ） Σ + γ D. 。$

每当γ≥Mingamma.那 $\overset{〜}{Σ}$ 是不合作的。

让μ_K.是那些元素的平均矢量X在班上K.，然后让μ_0.是全球均值矢量（行的平均值X）。让C是数据的相关矩阵X，然后让 $\overset{〜}{C}$ 是正常的相关矩阵：

$\overset{〜}{C} = （ 1 - γ ） C + γ 一世那$

在哪里一世是身份矩阵。

用于数据点的正则判别分析分类器中的线性术语X是

${（ X - μ_{0.} ）}^{T.} {\overset{〜}{Σ}}^{- 1} （ μ_{K.} - μ_{0.} ） = [{（ X - μ_{0.} ）}^{T.} {D.}^{- 1 / 2}] [{\overset{〜}{C}}^{- 1} {D.}^{- 1 / 2} （ μ_{K.} - μ_{0.} ）] 。$

参数δ进入该等式作为方括号中最终术语的阈值。矢量的每个组件 $[{\overset{〜}{C}}^{- 1} {D.}^{- 1 / 2} （ μ_{K.} - μ_{0.} ）]$ 如果其幅度小于阈值，则设置为零δ。因此，课堂K.，如果是组件j是零零，组件的阈值j的X不进入后验概率的评估。

这DeltaPredictor属性是与此阈值相关的向量。什么时候δ≥deltapredictor（i），所有课程K.有

$| {\overset{〜}{C}}^{- 1} {D.}^{- 1 / 2} （ μ_{K.} - μ_{0.} ） | \leq. δ 。$

因此，什么时候δ≥deltapredictor（i），正则化分类器不使用预测器一世。

也可以看看

CompactClassificationDiscriminant|cvshrink.|fitcdiscr

话题

判别分析分类