makecdiscr.

根据参数构造判别分析分类器

全部折叠到页面中

语法

cobj = makecdiscr（mu，sigma）

Cobj = makecdiscr（mu，sigma，名称，价值）

描述

例子

COBJ.= makecdiscr（亩，σ）从课堂手段构造一个紧凑的判别分析分类器亩和协方差矩阵σ．

例子

COBJ.= makecdiscr（亩，σ，名称,值）构造一个紧凑的分类器，具有由一个或多个名称值对参数指定的附加选项。例如，您可以指定错误分类的成本或每个类的概率。

例子

全部折叠

构造一个紧致线性判别分析分类器

打开直播脚本

从Fisher虹膜数据的均值和协方差构造一个紧凑的线性判别分析分类器。

负载渔民mu（1，:) =平均值（meas（1:50，:)）;mu（2，:) =平均值（meas（51：100，:)）;mu（3，:) =平均值（meas（101：150，:)）;mm1 = repmat（mu（1，:)，50,1）;mm2 = repmat（mu（2，:)，50,1）;mm3 = repmat（mu（3，:)，50,1）;cc = meas;CC（1:50，:) = CC（1:50，:)  -  mm1;CC（51：100，:) = CC（51：100，:)  -  mm2;CC（101：150，:) = CC（101：150，:)  -  mm3; sigstar = cc' * cc / 147;的无偏估计量cpct = makecdiscr(μ,sigstar,．..'classnames'，{'setosa'，'versicolor'，'virginica'}）

classname: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' discrtype: 'linear' Mu: [3x4 double] Coeffs: [3x3 struct

输入参数

全部折叠

`亩`- - - - - -班级手段
标量值矩阵

类手段，指定为aK-经过-p标量值类规模的矩阵。K是班数，和p是预测因子的数量。每一行的亩表示相应类的多元正态分布的平均值。班级指数在一会属性。

数据类型:单|双

`σ`- - - - - -在类协方差
标量值矩阵

在课堂内协方差，指定为标量值的矩阵。

对于线性判别，σ一个大小对称的正半定矩阵p-经过-p,在那里p是预测因子的数量。
对于二次判别，σ是一系列大小p-经过-p-经过-K,在那里K是课程的数量。对于每一个人我，σ(:,:,我)是对称的，正的半正定矩阵。

数据类型:单|双

名称-值对的观点

指定可选的逗号分隔对名称,值论点。的名字参数名和价值是相应的价值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子：'classnames'，{setosa''versicolor''virginica'}指定使用的判别分析分类器'setosa'，'versicolor'，和'virginica'作为分组变量。

`'classnames'`- - - - - -类名称
数字矢量|分类向量|逻辑向量|字符阵列|字符串数组|字符向量的单元数组

类名按顺序输入亩，指定为逗号分隔的对，由'classnames'以及一个包含分组变量的数组。为分组变量使用任何数据类型，包括数字向量、类别向量、逻辑向量、字符数组、字符串数组或字符向量的单元数组。

默认值是1: K,在那里K是类的数量(行数亩)．

例子：'classnames'，{setosa''versicolor''virginica'}

数据类型:单|双|逻辑|char|字符串|细胞

`“成本”`- - - - - -成本的错误分类
方矩阵|结构体

错误分类的代价，指定为逗号分隔的对，由“成本”一个方阵，其中成本(i, j)把一个点分类到班级的成本是多少j如果它的真类是我．另外,成本可以是一个结构年代有两个领域:S.Classnames.包含组名称作为与相同类型的变量y，和S.Classificycosts.包含成本矩阵。

默认值是成本（i，j）= 1如果我〜= j，和成本（i，j）= 0如果我= J.．

数据类型:单|双|结构体

`“PredictorNames”`- - - - - -预测变量的名字
`{'x1'，'x2'，...}`(默认)|字符串数组|字符向量的单元数组

预测器变量名，指定为逗号分隔的对，由“PredictorNames”以及字符向量的字符串数组或单元数组，其中包含预测变量的名称(按它们出现的顺序排列)X．

数据类型:字符串|细胞

`'事先的'`- - - - - -先验概率
`“统一”`(默认)|标量值的向量|结构体

每个类的先验概率，指定为逗号分隔的对，由'事先的'其中之一是:

“统一”，意味着所有课程的先前概率都是平等的
每个类包含一个标量值的向量
结构年代有两个领域：
- S.Classnames.作为相同类型的变量包含类名的一会
- S.ClassProbs.包含相应概率的向量

数据类型:char|字符串|单|双|结构体

`“ResponseName”`- - - - - -响应变量名称
`'是'`(默认)|特征向量|字符串标量

响应变量名，指定为逗号分隔的对，由“ResponseName”以及包含响应变量的名称的字符向量或字符串标量y．

例子：'responsebame'，'响应'

数据类型:char|字符串

输出参数

全部折叠

`COBJ.`- 判别分析分类器
判别分析分类器对象

判别分析分类器，返回作为判别分析分类器对象的类CompactClassificationDiscriminant.．你可以使用预测用于预测新数据分类标签的方法。

尖端

您可以在构造之后使用点表示法更改判别类型COBJ.：
```
cobj.discrimtype ='discrimType＇
```
在哪里discrimType是其中之一“线性”，'二次'，'diaglinear'，“diagQuadratic”，“pseudoLinear”,或'伪拟合'．您可以在线性类型或二次类型之间进行更改，但不能在线性类型和二次类型之间进行更改。
COBJ.是一个线性分类器何时σ是一个矩阵。COBJ.二次分类器是什么时候σ是三维阵列。

另请参阅

CompactClassificationDiscriminant.|袖珍的|fitcdiscr.|预测

主题

判别分析分类

makecdiscr.

语法

描述