CompactClassificationDiscriminant

Пакет: classreg.learning.classif

Компактный класс дискриминантного анализа

Описание

Объект CompactClassificationDiscriminant является компактной версией классификатора дискриминантного анализа. Компактная версия не включает данные для обучения классификатор. Поэтому вы не можете выполнить некоторые задачи с компактным классификатором, такие как перекрестная проверка. Используйте компактный классификатор для того, чтобы сделать прогнозы (классификации) новых данных.

Конструкция

cobj = compact(obj) создает компактный классификатор из полного классификатора.

cobj = makecdiscr(Mu,Sigma) создает компактный классификатор дискриминантного анализа из средних значений класса Mu и ковариационная матрица Sigma. Для получения дополнительной информации синтаксиса смотрите makecdiscr.

Входные параметры

obj

Классификатор дискриминантного анализа, созданное использование fitcdiscr.

Свойства

`BetweenSigma`	`p`-by-`p` матрица, ковариация между классами, где `p` является количеством предикторов.
`CategoricalPredictors`	Категориальные индексы предиктора, который всегда пуст (`[]`).
`ClassNames`	Список элементов в данных тренировки `Y` с удаленными копиями. `ClassNames` может быть категориальным массивом, массивом ячеек из символьных векторов, символьным массивом, логическим вектором или числовым вектором. `ClassNames` имеет совпадающий тип данных как данные в аргументе `Y`. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)
`Coeffs`	`k`-by-`k` структура содействующих матриц, где `k` является количеством классов. `Coeffs(i,j)` содержит коэффициенты линейных или квадратичных контуров между классами `i` и `j`. Поля в `Coeffs(i,j)`: `DiscrimType` `Class1` — `ClassNames` `(i)` `Class2` — `ClassNames` `(j)` `Const` — Скаляр `Linear` — Вектор с компонентами `p`, где `p` является количеством столбцов в `X` `Quadratic` — `p`-by-`p` матрица, существует для квадратичного `DiscrimType` Уравнение контура между классом `i` и классом `j` `Const` + `Linear` * `x` + `x'` * `Quadratic` * `x` = `0`, где `x` является вектор-столбцом длины `p`. Если `fitcdiscr` установили пару "имя-значение" `FillCoeffs` на `'off'` при построении классификатора, `Coeffs` пуст (`[]`).
`Cost`	Квадратная матрица, где `Cost(i,j)` является стоимостью классификации точки в класс `j`, если его истинным классом является `i` (т.е. строки соответствуют истинному классу и столбцам, соответствует предсказанному классу). Порядок строк и столбцов `Cost` соответствует порядку классов в `ClassNames`. Количество строк и столбцов в `Cost` является количеством уникальных классов в ответе. Измените матрицу `Cost`, использующую запись через точку: `obj.Cost = costMatrix`.
`Delta`	Значение порога Delta для линейной дискриминантной модели, неотрицательного скаляра. Если коэффициент `obj` имеет значение, меньшее, чем `Delta`, `obj` устанавливает этот коэффициент на `0`, и таким образом, можно устранить соответствующий предиктор из модели. Установите `Delta` на более высокое значение устранять больше предикторов. `Delta` должен быть `0` для квадратичных дискриминантных моделей. Изменение `Delta` с помощью записи через точку: `obj.Delta = newDelta`.
`DeltaPredictor`	Вектор - строка из длины равняется количеству предикторов в `obj`. Если `DeltaPredictor(i) < Delta` затем коэффициент `i` модели является `0`. Если `obj` является квадратичной дискриминантной моделью, всеми элементами `DeltaPredictor` является `0`.
`DiscrimType`	Вектор символов, задающий дискриминантный тип. Один из: `'linear'` `'quadratic'` `'diagLinear'` `'diagQuadratic'` `'pseudoLinear'` `'pseudoQuadratic'` Изменение `DiscrimType` с помощью записи через точку: `obj.DiscrimType = newDiscrimType`. Вы можете измениться между линейными типами, или между квадратичными типами, но не можете измениться между линейными и квадратичными типами.
`Gamma`	Значение Гамма параметра регуляризации, скаляра от `0` до `1`. Измените `Gamma` с помощью записи через точку: `obj.Gamma = newGamma`. Если вы устанавливаете `1` для линейного дискриминанта, дискриминант устанавливает свой тип на `'diagLinear'`. Если вы устанавливаете значение между `MinGamma` и `1` для линейного дискриминанта, дискриминант устанавливает свой тип на `'linear'`. Вы не можете установить значения ниже значения свойства `MinGamma`. Для квадратичного дискриминанта можно установить любой `0` (для `DiscrimType` `'quadratic'`) или `1` (для `DiscrimType` `'diagQuadratic'`).
`LogDetSigma`	Логарифм детерминанта ковариационной матрицы в классе. Тип `LogDetSigma` зависит от дискриминантного типа: Скаляр для линейного дискриминантного анализа Вектор длины `K` для квадратичного дискриминантного анализа, где `K` является количеством классов
`MinGamma`	Неотрицательный скаляр, минимальное значение Гамма параметра так, чтобы корреляционная матрица была обратимой. Если корреляционная матрица не сингулярна, `MinGamma` является `0`.
`Mu`	Средние значения класса, заданные как `K`-by-`p` матрица средних значений класса скалярных значений размера. `K` является количеством классов, и `p` является количеством предикторов. Каждая строка `Mu` представляет среднее значение многомерного нормального распределения соответствующего класса. Индексы класса находятся в атрибуте `ClassNames`.
`PredictorNames`	Массив ячеек имен для переменных прогноза, в порядке, в котором они появляются в данных тренировки `X`.
`Prior`	Числовой вектор априорных вероятностей для каждого класса. Порядок элементов `Prior` соответствует порядку классов в `ClassNames`. Добавьте или измените вектор `Prior`, использующий запись через точку: `obj.Prior = priorVector`.
`ResponseName`	Вектор символов, описывающий переменную отклика `Y`.
`ScoreTransform`	Вектор символов, представляющий встроенную функцию преобразования или указатель на функцию для преобразования очков. `'none'` не означает преобразования; эквивалентно, `'none'` означает `@(x)x`. Для списка встроенных функций преобразования и синтаксиса пользовательских функций преобразования, смотрите `fitcdiscr`. Реализуйте запись через точку, чтобы добавить или изменить функцию `ScoreTransform` использование одного из следующего: `cobj.ScoreTransform = 'function'` `cobj.ScoreTransform = @function`
`Sigma`	Ковариационная матрица в классе или матрицы. Размерности зависят от `DiscrimType`: `'linear'` (значение по умолчанию) — Матрица размера `p`-by-`p`, где `p` является количеством предикторов `'quadratic'` — Массив размера `p-by-p-by-K`, где `K` является количеством классов `'diagLinear'` — Вектор - строка из длины `p` `'diagQuadratic'` — Массив размера `1-by-p-by-K` `'pseudoLinear'` — Матрица размера `p`-by-`p` `'pseudoQuadratic'` — Массив размера `p-by-p-by-K`

Методы

ребро	Ребро классификации
logP	Регистрируйте безусловную плотность вероятности для классификатора дискриминантного анализа
потеря	Ошибка классификации
mahal	Расстояние Mahalanobis до средних значений класса
поле	Поля классификации
nLinearCoeffs	Количество ненулевых линейных коэффициентов
предсказать	Предскажите метки с помощью модели классификации дискриминантных анализов

Копировать семантику

Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).

Примеры

свернуть все

Создайте компактный классификатор дискриминантного анализа

Скрипт Open Live Script

Загрузите выборочные данные.

load fisheriris

Создайте классификатор дискриминантного анализа для выборочных данных.

fullobj = fitcdiscr(meas,species);

Создайте компактный классификатор дискриминантного анализа и сравните его размер с тем из полного классификатора.

cobj = compact(fullobj);
b = whos('fullobj'); % b.bytes = size of fullobj
c = whos('cobj'); % c.bytes = size of cobj
[b.bytes c.bytes] % shows cobj uses 60% of the memory

ans = 1×2

       18631       11994

Компактный классификатор меньше, чем полный классификатор.

Создайте классификатор Используя средства и ковариации

Скрипт Open Live Script

Создайте компактный классификатор дискриминантного анализа из средних значений и ковариаций ирисовых данных Фишера.

load fisheriris
mu(1,:) = mean(meas(1:50,:));
mu(2,:) = mean(meas(51:100,:));
mu(3,:) = mean(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;
cpct = makecdiscr(mu,sigstar,...
    'ClassNames',{'setosa','versicolor','virginica'});

Больше о

развернуть все

Дискриминантная классификация

Модель для дискриминантного анализа:

Каждый класс (Y) генерирует данные (X) с помощью многомерного нормального распределения. Таким образом, модель принимает, что X имеет Гауссово распределение смеси (gmdistribution).
- Для линейного дискриминантного анализа модель имеет ту же ковариационную матрицу для каждого класса, только средние значения отличаются.
- Для квадратичного дискриминантного анализа отличаются и средние значения и ковариации каждого класса.

predict классифицирует, чтобы минимизировать ожидаемую стоимость классификации:

$\hat{y} = \underset{y = 1, ..., K}{аргумент \min} \sum_{k = 1}^{K} \hat{P} (k | x) C (y | k),$

где

$\hat{y}$ предсказанная классификация.
K является количеством классов.
$\hat{P} (k | x)$ апостериорная вероятность класса k для наблюдения x.
$C (y | k)$ стоимость классификации наблюдения как y, когда его истинным классом является k.

Для получения дополнительной информации см., что Прогноз Использует Модели Дискриминантного анализа.

Регуляризация

Регуляризация является процессом нахождения маленького набора предикторов, которые приводят к эффективной прогнозирующей модели. Для линейного дискриминантного анализа существует два параметра, γ и δ, та регуляризация управления можно следующим образом. cvshrink помогает вам выбрать соответствующие значения параметров.

Позвольте Σ представлять ковариационную матрицу данных X и позволить $\hat{X}$ будьте данными в центре (данные X минус среднее значение классом). Define

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

Упорядоченная ковариационная матрица $\tilde{Σ}$

$\tilde{Σ} = (1 - γ) Σ + γ D .$

Каждый раз, когда γ ≥ MinGamma, $\tilde{Σ}$ несингулярно.

Позвольте _μk быть средним вектором для тех элементов X в классе k и позволить μ ₀ быть глобальным средним вектором (среднее значение строк X). Позвольте C быть корреляционной матрицей данных X и позволить $\tilde{C}$ будьте упорядоченной корреляционной матрицей:

$\tilde{C} = (1 - γ) C + γ I,$

где I является единичной матрицей.

Линейный член в упорядоченном классификаторе дискриминантного анализа для точки данных x

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

Параметр δ вводит в это уравнение как в порог на итоговом термине в квадратных скобках. Каждый компонент вектора $[{\tilde{C}}^{- 1} D^{- 1 / 2} (μ_{k} - μ_{0})]$ обнуляется, если это меньше в значении, чем порог δ. Поэтому для класса k, если j компонента является порогом, чтобы обнулить, j компонента x, не вводит в оценку апостериорной вероятности.

Свойство DeltaPredictor является вектором, связанным с этим порогом. Когда δ ≥ DeltaPredictor(i), все классы k имеют

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

Поэтому, когда δ ≥ DeltaPredictor(i), упорядоченный классификатор не использует предиктор i.

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Указания и ограничения по применению:

Функция predict поддерживает генерацию кода.
Когда вы обучаете модель дискриминантного анализа при помощи fitcdiscr или создаете компактную модель дискриминантного анализа при помощи makecdiscr, следующие ограничения применяются.
- Значение входного параметра меток класса (Y) не может быть категориальным массивом.
- Значение аргумента пары "имя-значение" 'ClassNames' не может быть категориальным массивом.
- Значение аргумента пары "имя-значение" 'ScoreTransform' не может быть анонимной функцией.

Для получения дополнительной информации смотрите Введение в Генерацию кода.

Документация

CompactClassificationDiscriminant

Описание

Конструкция

Входные параметры

Свойства

Методы

Копировать семантику

Примеры

Создайте компактный классификатор дискриминантного анализа

Создайте классификатор Используя средства и ковариации

Больше о

Дискриминантная классификация

Регуляризация

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Темы

Представленный в R2011b

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

CompactClassificationDiscriminant

Описание

Конструкция

Входные параметры

Свойства

Методы

Копировать семантику

Примеры

Создайте компактный классификатор дискриминантного анализа

Создайте классификатор Используя средства и ковариации

Больше о

Дискриминантная классификация

Регуляризация

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Темы

Представленный в R2011b

Документация Statistics and Machine Learning Toolbox

Поддержка

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.