主要内容

判别分析

正则化线性和二次判别分析

要交互地训练判别分析模型，请使用分类学习者为获得更大的灵活性，使用训练判别分析模型fitcdiscr在命令行界面。训练后，通过将模型和预测器数据传递给预测标签或估计后验概率预测．

应用程序

分类学习者 训练模型使用监督机器学习对数据进行分类

功能

全部展开

fitcdiscr 拟合判别分析分类器
makecdiscr 根据参数构造判别分析分类器
紧凑的 紧凑判别分析分类器
cvshrink 线性判别的交叉验证正则化
石灰 局部可解释模型不可知解释(LIME)
partialDependence 计算部分依赖关系
plotPartialDependence 创建部分依赖图(PDP)和个别条件期望图(ICE)
沙普利 沙普利值
crossval 交叉验证判别分析分类器
kfoldEdge 交叉验证分类模型的分类边
kfoldLoss 交叉验证分类模型的分类损失
kfoldfun 分类的交叉验证功能
kfoldMargin 交叉验证分类模型的分类边际
kfoldPredict 在交叉验证的分类模型中对观测数据进行分类
损失 分类错误
resubLoss 再置换导致的分类错误
logp 对数无条件概率密度用于判别分析分类器
泰姬陵 马氏距离类的判别分析分类器的手段
nLinearCoeffs 非零线性系数的个数
compareHoldout 比较使用新数据的两种分类模型的准确性
边缘 分类的优势
保证金 分类的利润率
resubEdge 通过置换分类边缘
resubMargin 再置换分类边际
testckfold 通过重复交叉验证比较两种分类模型的准确性
预测 使用判别分析分类模型预测标签
resubPredict 预测判别分析分类模型的再置换标签
分类 使用判别分析对观测数据进行分类

类

ClassificationDiscriminant 判别分析分类
CompactClassificationDiscriminant 压缩判别分析类
ClassificationPartitionedModel 交叉验证分类模型

主题