预测

使用判别分析分类模型预测标签

展开所有页面

句法

标签=预测（MDL，x）
[标签，分数，成本] =预测（MDL，x）

描述

标签=预测（MDL.那X）返回表或矩阵中的预测器数据的预测类标签的向量X，基于训练判别分析分类模型MDL.。

[标签那得分那成本] =预测（MDL.那X）也返回：

  • 分类分数的矩阵（得分）表示标签来自特定类的可能性。为了判别分析，分数是后概率。

  • 一个矩阵预期的分类成本（成本）。对于每次观察X，预测类标签对应于所有类别中的最低预期分类成本。

输入参数

展开全部

判别分析分类模型，指定为a分类Discriminant.要么CompactClassificationDiscriminant.返回的模型对象fitcdiscr.。

预测数据被分类，指定为数字矩阵或表。

每一排X对应于一个观察，并且每列对应于一个变量。所有预测因子变量X必须是数字向量。

  • 对于数字矩阵，构成列的变量X必须具有与培训的预测变量相同的顺序MDL.。

  • 对于表：

    • 预测不支持字符向量的单万博1manbetx元格阵列以外的多列变量和单元格阵列。

    • 如果你训练有素MDL.使用表格（例如，TBL.），然后所有预测器变量都在X必须具有与培训的变量名称和数据类型相同MDL.（存储在mdl.predictornames.）。但是，列顺序X不需要对应于列顺序TBL.。TBL.和X可以包含其他变量（响应变量，观察权重等），但是预测忽略它们。

    • 如果你训练有素MDL.使用数字矩阵，然后是预测器名称mdl.predictornames.和相应的预测变量名称X必须是一样的。要在培训期间指定预测器名称，请参阅预测名称 - 值对参数fitcdiscr.。X可以包含其他变量（响应变量，观察权重等），但是预测忽略它们。

数据类型：表|双|单

输出参数

展开全部

预测类标签，作为分类或字符阵列，逻辑或数字向量或字符向量的单元数组返回。

标签：

  • 与观察类类标签相同的数据类型（y）训练有素MDL.。（该软件将字符串数组视为字符向量的单元格阵列。）

  • 长度等于行数X。

预测的课堂后概率，返回为一个大小的数字矩阵N-通过-K.。N是观察数（行）X，和K.是课程数量（inmdl.classnames.）。得分（i，j）是观察的后验概率一世在X是课堂j在mdl.classnames.。

预期的分类成本，作为大小的矩阵返回N-通过-K.。N是观察数（行）X，和K.是课程数量（inmdl.classnames.）。成本（i，j）是分类行的成本一世的X作为类j在mdl.classnames.。

例子

展开全部

打开直播脚本

装载Fisher的Iris数据集。确定样本大小。

加载渔民n =尺寸（meas，1）;

将数据分区为培训和测试集。持有10％的测试数据。

RNG（1）;重复性的％cvp = cvpartition（n，'坚持'，0.1）;Idxtrn =培训（CVP）;％培训设置指数iDxtest =测试（CVP）;％测试集指数

将培训数据存储在表格中。

tbltrn = Array2table（Meas（idxtrn，:)）;tbltrn.y =物种（Idxtrn）;

使用培训集和默认选项列车判别分析模型。

mdl = fitcdiscr（tbltrn，'是'）;

预测测试集的标签。你训练有素MDL.使用数据表，但您可以使用矩阵预测标签。

标签=预测（MDL，MEAS（IDXTEST，:)）;

构建测试集的混淆矩阵。

ConfusionChart（物种（iDxtest），标签）

MDL.将一个versicolor虹膜剥离为试验集中的virginica。

打开直播脚本

装载Fisher的Iris数据集。仅考虑使用花瓣长度和宽度的培训。

加载渔民X = MEAS（：，3：4）;

使用整个数据集培训二次判别分析模型。

mdl = fitcdiscr（x，物种，'isstrimtype'那'二次'）;

在观察到的预测器空间中定义一个值的网格。预测网格中每个实例的后验概率。

xmax = max（x）;xmin = min（x）;d = 0.01;[x1grid，x2grid] = meshgrid（xmin（1）：d：xmax（1），xmin（2）：d：xmax（2））;[〜，得分] =预测（mdl，[x1grid（:)，x2grid（:)]）;mdl.classnames.
ans =.3x1细胞{'setosa'} {'versicolor'} {'virginica'}

得分是一类课程后概率的矩阵。列对应于类mdl.classnames.。例如，得分（J，1）是观察的后验概率j是一个setosa虹膜。

绘制网格中每种观察的versicolor分类的后验概率，并绘制训练数据。

数字;contourf（x1grid，x2grid，重塑（得分（：，2），尺寸（x1grid，1），size（x1grid，2））））;h =彩色杆;caxis（[0 1]）;COLOROMAP.喷射;保持上g箭偶（x（：，1），x（:,2），物种，'Mcy'那'.x +'）;轴紧标题（'versicolor的后验概率'）;保持关闭

后验概率区域暴露出决策边界的一部分。

更多关于

展开全部

扩展能力

也可以看看

|||||

主题

在R2011B中介绍

统计和机器学习工具箱文档
万博1manbetx
掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书