CompactClassificationDiscriminant

パッケージ:classreg.learning.classif

コンパクトな判別分析クラス

説明

CompactClassificationDiscriminantオブジェクトは,コンパクトなバージョンの判別分析分類器です。コンパクトなバージョンには,分類器の学習のためのデータが含まれません。そのため,コンパクトな分類器では,交差検証などの一部のタスクを実行できません。コンパクトな分類器は,新しいデータの予測(分類)を行うために使用してください。

構築

cobj=紧凑(obj）は,完全な分類器からコンパクトな分類器を構築します。

cobj= makecdiscr (μ，σ）は,クラス平均μと共分散行列σからコンパクトな判別分析分類器を構築します。構文の詳細は,makecdiscrを参照してください。

入力引数

obj

fitcdiscrを使用して作成された判別分析分類器。

プロパティ

`BetweenSigma`	`p`行`p`列の行列,クラス間の共分散で,`p`は予測子の数です。
`CategoricalPredictors`	常に空(`［］`)であるカテゴリカル予測子のインデックス。
`一会`	重複が削除された学習データ`Y`の要素のリスト。`一会`には,绝对配列,文字ベクトルの细胞配列,文字配列,逻辑ベクトル,数値ベクトルのいずれかを指定できます。`一会`のデータ型は,引数`Y`のデータ型と同じです。(字符串配列は文字ベクトルの细胞配列として扱われます)。
`多项式系数`	係数行列の`k`行`k`列の構造体で,`k`はクラスの数です。`多项式系数(i, j)`は`我`から`j`までのクラスの間の線形または2次の境界の係数を含みます。`多项式系数(i, j)`内のフィールド: `DiscrimType` `Class1`- - - - - -`一会(我)` `类别2`- - - - - -`一会(j)` `常量`——スカラー `线性`- - - - - -`p`成分をもつベクトル(`p`は`X`の列の数) `二次`- - - - - -`p`行`p`列の行列で,2次`DiscrimType`用に存在クラス`我`とクラス`j`の境界線の等式は次のとおりです。 `常量`+`线性`＊`x`+`x '`＊`二次`＊`x`＝`0`，ここで`x`は,長さ`p`の列ベクトルです。分類器を作成するときに,`fitcdiscr`で`FillCoeffs`名前と値のペアが`“关闭”`に設定された場合,`多项式系数`は空(`［］`)です。
`成本`	正方行列。`成本(i, j)`は真のクラスが`我`である場合に1つの点をクラス`j`に分類するためのコストです(行は真のクラス,列は予測したクラスに対応します)。`成本`の行と列の順序は,`一会`のクラスの順序に対応します。`成本`の行および列の数は,応答に含まれている一意なクラスの数です。ドット表記を使用して`成本`行列を変更します。`obj。成本＝costMatrix`。
`δ`	線形判別モデルのためのデルタしきい値であり,非負のスカラーです。`obj`の係数が`δ`よりも大きさが小さい場合,`obj`はこの係数を`0`に設定し,それによって対応する予測子をモデルから削除できます。`δ`を高い値に設定すると,削除できる予測子が多くなります。 2次判別モデルでは`δ`は`0`でなければなりません。ドット表記を使用して`δ`を変更します。`obj。Delta = newDelta`。
`DeltaPredictor`	`obj`の予測子の数と同じ長さの行ベクトル。`DeltaPredictor (i) <三角洲`である場合,モデルの係数`我`は`0`です。 `obj`が2次判別モデルである場合,`DeltaPredictor`のすべての要素は`0`です。
`DiscrimType`	判別タイプを指定する文字ベクトル。次のいずれかです。 `“线性”` `“二次”` `“diagLinear”` `“diagQuadratic”` `“pseudoLinear”` `“pseudoQuadratic”` ドット表記を使用して`DiscrimType`を変更します。`obj。D我scrimType = newDiscrimType`。線形タイプ間または2次タイプ間での変更は可能ですが,線形タイプと2次タイプの間の変更はできません。
`γ`	ガンマ正則化パラメーターの値であり,`0`から`1`までのスカラーです。ドット表記を使用して`γ`を変更します。`obj。γ= newGamma`。線形判別式のために`1`を設定する場合,判別式はそのタイプを`“diagLinear”`に設定します。線形判別式のために`MinGamma`から`1`までの値を設定する場合,判別式はそのタイプを`“线性”`に設定します。 `MinGamma`プロパティの値より小さい値を設定できません。 2次判別式の場合,`0`（`DiscrimType“二次”`の場合)または`1`（`DiscrimType“diagQuadratic”`の場合)のいずれかに設定できます。
`LogDetSigma`	クラス間共分散行列の行列式の対数。`LogDetSigma`のタイプは判別タイプによって異なります。線形判別分析のスカラー 2次判別分析の長さ`K`のベクトルで,`K`はクラスの数
`MinGamma`	非負のスカラーであり,相関行列が可逆になるガンマパラメーターの最小値です。相関行列が特異ではない場合,`MinGamma`は`0`になります。
`μ`	クラス平均。サイズのスカラー値クラス平均の`K`行`p`列の行列として指定されます。`K`はクラス数で,`p`は予測子の数です。`μ`の各行は,対応するクラスの多変量正規分布の平均を表します。クラスインデックスは,`一会`属性にあります。
`PredictorNames`	予測子変数の名前の细胞配列。並びは学習データ`X`に現れる順です。
`之前`	各クラスの事前確率の数値ベクトル。`之前`の要素の順序は,`一会`のクラスの順序に対応します。ベクトル`之前`を追加または変更するには,次のようにドット表記を使用します。`obj。Prior = priorVector`
`ResponseName`	応答変数`Y`を表す文字ベクトル。
`ScoreTransform`	組み込みの変換関数を表す文字ベクトル,またはスコアを変換する関数のハンドル。`“没有”`は変換なしを意味します。つまり,`“没有”`は`@ x (x)`を意味します。組み込みの変換関数のリストとカスタム変換関数の構文は,`fitcdiscr`を参照してください。ドット表記を実装し,次のいずれかの方法で関数`ScoreTransform`を追加または変更します。 `cobj。ScoreTransform = '函数＇` `cobj。ScoreTransform = @函数`
`σ`	1つまたは複数のクラス内共分散行列。次元は`DiscrimType`に応じて異なります。 `“线性”`(既定)——サイズ`p`行`p`列の行列で,`p`は予測子の数 `“二次”`——サイズ`p`x`p`x`K`の配列で,`K`はクラスの数 `“diagLinear”`——長さの行ベクトル`p` `“diagQuadratic”`——サイズ`1`x`p`x`K`の配列 `“pseudoLinear”`——サイズ`p`行`p`列の行列 `“pseudoQuadratic”`——サイズ`p`x`p`x`K`の配列

オブジェクト関数

`compareHoldout`	新しいデータを使用して2つの分類モデルの精度を比較
`边缘`	分類エッジ
`石灰`	本地可解释模型不可知解释(LIME)
`logp`	判別分析分類器の対数条件なし確率密度
`损失`	分類誤差
`泰姬陵`	クラスの平均に対するマハラノビス距離
`保证金`	分類マージン
`nLinearCoeffs`	非ゼロの線形係数の数
`partialDependence`	部分従属の計算
`plotPartialDependence`	部分依存プロット(PDP)および個別条件付き期待値(ICE)プロットの作成
`预测`	判別分析分類モデルの使用によるラベルの予測
`沙普利`	シャープレイ値

コピーのセマンティクス

値。値のクラスがコピー操作に与える影響については,オブジェクトのコピーを参照してください。

例

すべて折りたたむ

コンパクトな判別分析分類器の構築

ライブスクリプトを開く

標本データを読み込みます。

负载fisheriris

標本データの判別分析分類器を構築します。

fullobj = fitcdiscr(量、种类);

コンパクトな判別分析分類器を構築し,そのサイズを完全な分類器のサイズと比較します。

cobj =紧凑(fullobj);b =谁(“fullobj”)；% b.bytes = fullobj的大小c =谁(“cobj”)；% c.bytes = cobj的大小[b。字节c.bytes]%表示cobj使用了60%的内存

ans =1×218291 11678

コンパクトな分類器は完全な分類器より小さくなっています。

平均と共分散を使用した分類器の構築

ライブスクリプトを開く

フィッシャーのアヤメのデータの平均と共分散からコンパクトな判別分析分類器を構築します。

负载fisheririsμ(1:)=意味着(量(1:50,:));:μ(2)=意味着(量(51:100:));μ(3)=意味着(量(101:150:));mm1 = repmat(μ(1:),50岁,1);平方毫米= repmat(μ(2:),50岁,1);mm3 = repmat(μ(3:),50岁,1);cc =量;抄底:= cross (c, cross (c, cross));抄底:if (cross (c, ma (c, ma (c, ma (c, d)))， linethick2, color00ff00;抄底:if (cross (c, ma (c, 5)) and cross (c, 5)， cross (c, 5)， color00ff00; sigstar = cc' * cc / 147; cpct = makecdiscr(mu,sigstar,．..“类名”, {“setosa”，“多色的”，“virginica”})；

詳細

すべて展開する

判別分類

判別分析のモデルは次のとおりです。

各クラス(Y)では,多変量正規分布を使用してデータ(X)を生成します。つまり,このモデルはXに混合ガウス分布(gmdistribution)があることを前提としています。
- 線形判別分析の場合,モデルでは各クラスの共分散は同じで,平均のみ変わります。
- 2次判別分析の場合,各クラスの平均と共分散の両方が異なります。

预测は,予測される分類コストが最小になるように分類します。

$\overset{＾}{y} ＝ \underset{y ＝ 1 ，．.. ， K}{参数最小值} \sum_{k ＝ 1}^{K} \overset{＾}{P} （ k | x ） C （ y | k ），$

ここで

$\overset{＾}{y}$ は,予測された分類です。
Kはクラスの数です。
$\overset{＾}{P} （ k | x ）$ は,観測xのクラスkの事後確率です。
$C （ y | k ）$ は,真のクラスがkの場合に観測値をyとして分類するコストです。

詳細については,判別分析モデルの使用による予測を参照してください。

正則化

正則化とは,効果的な予測モデルを生み出す予測子の小さな集合を見つけ出す過程です。線形判別分析には,γおよびδの2つのパラメーターがあり,これらは次のように正則化を制御します。cvshrinkは適切なパラメーター値の選択を支援します。

ΣがデータXの共分散行列を表し, $\overset{＾}{X}$ が中心データ(データXからクラス別の平均を減算したデータ)であるとします。次のように定義します。

$D ＝诊断接头（ {\overset{＾}{X}}^{T} ＊ \overset{＾}{X} ）．$

正則化した共分散行列 $\tilde{Σ}$ は次のようになります。

$\tilde{Σ} ＝（ 1 - γ ） Σ + γ D ．$

γ≥MinGammaである場合, $\tilde{Σ}$ は常に正則です。

μ_kをkクラスのXの要素の平均ベクトルとし,μ₀をグローバル平均ベクトル(Xの行の平均)とします。CがデータXの相関行列, $\tilde{C}$ が正則化された相関行列であるとします。

$\tilde{C} ＝（ 1 - γ ） C + γ 我，$

ここで我が単位行列です。

データ点xの正則化された判別分析分類器にある線形項は

${（ x - μ_{0} ）}^{T} {\tilde{Σ}}^{- 1} （ μ_{k} - μ_{0} ）＝［ {（ x - μ_{0} ）}^{T} D^{- 1 / 2} ］［ {\tilde{C}}^{- 1} D^{- 1 / 2} （ μ_{k} - μ_{0} ）］．$

パラメーターδは,大かっこ内の最後の項にしきい値としてこの式を入力します。ベクトル $［ {\tilde{C}}^{- 1} D^{- 1 / 2} （ μ_{k} - μ_{0} ）］$ の各成分は,大きさがしきい値δより小さい場合,ゼロが設定されます。そのため,クラスkに対して,コンポーネントjのしきい値を0に設定した場合,xのコンポーネントjは事後確率の評価には入りません。

DeltaPredictorプロパティは,このしきい値に関係するベクトルです。δ≥DeltaPredictor(我)の場合,すべてのクラスkには次の値があります。

$| {\tilde{C}}^{- 1} D^{- 1 / 2} （ μ_{k} - μ_{0} ） | \leq δ ．$

したがって,δ≥DeltaPredictor(我)の場合,正則化された分類器は予測子我を使用しません。

拡張機能

C / c++コード生成
MATLAB®编码器™を使用してCおよびc++コードを生成します。

使用上の注意事項および制限事項:

関数预测はコード生成をサポートします。
fitcdiscrを使用して判別分析モデルに学習をさせる場合,またはmakecdiscrを使用してコンパクトな判別分析モデルを作成する場合,名前と値のペアの引数“ScoreTransform”の値を無名関数にすることはできません。

詳細は,コード生成の紹介を参照してください。

参考

トピック

判別分析分類

R2011bで導入

CompactClassificationDiscriminant

説明

構築

入力引数

プロパティ

オブジェクト関数

コピーのセマンティクス

例

コンパクトな判別分析分類器の構築

平均と共分散を使用した分類器の構築

詳細

判別分類

正則化

拡張機能

C / c++コード生成
MATLAB®编码器™を使用してCおよびc++コードを生成します。

参考

トピック

统计和机器学习工具箱ドキュメンテーション

サポート

機械学習をマスターする:MATLABステップ・バイ・ステップガイド

CompactClassificationDiscriminant

説明

構築

入力引数

プロパティ

オブジェクト関数

コピーのセマンティクス

例

コンパクトな判別分析分類器の構築

平均と共分散を使用した分類器の構築

詳細

判別分類

正則化

拡張機能

C / c++コード生成MATLAB®编码器™を使用してCおよびc++コードを生成します。

参考

トピック

统计和机器学习工具箱ドキュメンテーション

サポート

機械学習をマスターする:MATLABステップ・バイ・ステップガイド

C / c++コード生成
MATLAB®编码器™を使用してCおよびc++コードを生成します。