Создайте и визуализируйте классификатор дискриминантного анализа

В этом примере показано, как выполнить линейную и квадратичную классификацию ирисовых данных Фишера.

Загрузите выборочные данные.

load fisheriris

Вектор-столбец, species , состоит из ирисовых цветов трех различных разновидностей, setosa, versicolor, virginica. Двойной матричный meas состоит из четырех типов измерений на цветах, длине и ширине чашелистиков и лепестков в сантиметрах, соответственно.

Используйте лепестковую длину (третий столбец в meas) и лепестковая ширина (четвертый столбец в meas) измерения. Сохраните их как переменные PL и PW, соответственно.

PL = meas(:,3);
PW = meas(:,4);

Отобразите данные на графике, показав, что классификация, то есть, создает график рассеивания измерений, сгруппированных разновидностями.

h1 = gscatter(PL,PW,species,'krb','ov^',[],'off');
h1(1).LineWidth = 2;
h1(2).LineWidth = 2;
h1(3).LineWidth = 2;
legend('Setosa','Versicolor','Virginica','Location','best')
hold on

Создайте линейный классификатор.

X = [PL,PW];
MdlLinear = fitcdiscr(X,species);

Получите коэффициенты для линейного контура между вторыми и третьими классами.

MdlLinear.ClassNames([2 3])

ans = 2x1 cell array
    {'versicolor'}
    {'virginica' }

K = MdlLinear.Coeffs(2,3).Const;  
L = MdlLinear.Coeffs(2,3).Linear;

Постройте кривую, которая разделяет вторые и третьи классы

$K + [\begin{array}{cccccccccccccccccccc} x_{1} & x_{2} \end{array}] L = 0 .$

f = @(x1,x2) K + L(1)*x1 + L(2)*x2;
h2 = fimplicit(f,[.9 7.1 0 2.5]);
h2.Color = 'r';
h2.LineWidth = 2;
h2.DisplayName = 'Boundary between Versicolor & Virginica';

Получите коэффициенты для линейного контура между первыми и вторыми классами.

MdlLinear.ClassNames([1 2])

ans = 2x1 cell array
    {'setosa'    }
    {'versicolor'}

K = MdlLinear.Coeffs(1,2).Const;
L = MdlLinear.Coeffs(1,2).Linear;

Постройте кривую, которая разделяет первые и вторые классы.

f = @(x1,x2) K + L(1)*x1 + L(2)*x2;
h3 = fimplicit(f,[.9 7.1 0 2.5]);
h3.Color = 'k';
h3.LineWidth = 2;
h3.DisplayName = 'Boundary between Versicolor & Setosa';
axis([.9 7.1 0 2.5])
xlabel('Petal Length')
ylabel('Petal Width')
title('{\bf Linear Classification with Fisher Training Data}')

Создайте квадратичный дискриминантный классификатор.

MdlQuadratic = fitcdiscr(X,species,'DiscrimType','quadratic');

Удалите линейные контуры из графика.

delete(h2);
delete(h3);

Получите коэффициенты для квадратичного контура между вторыми и третьими классами.

MdlQuadratic.ClassNames([2 3])

ans = 2x1 cell array
    {'versicolor'}
    {'virginica' }

K = MdlQuadratic.Coeffs(2,3).Const;
L = MdlQuadratic.Coeffs(2,3).Linear; 
Q = MdlQuadratic.Coeffs(2,3).Quadratic;

Постройте кривую, которая разделяет вторые и третьи классы

$K + [\begin{array}{cccccccccccccccccccc} x_{1} & x_{2} \end{array}] L + [\begin{array}{cccccccccccccccccccc} x_{1} & x_{2} \end{array}] Q [\begin{array}{cccccccccccccccccccc} x_{1} \\ x_{2} \end{array}] = 0 .$

f = @(x1,x2) K + L(1)*x1 + L(2)*x2 + Q(1,1)*x1.^2 + ...
    (Q(1,2)+Q(2,1))*x1.*x2 + Q(2,2)*x2.^2;
h2 = fimplicit(f,[.9 7.1 0 2.5]);
h2.Color = 'r';
h2.LineWidth = 2;
h2.DisplayName = 'Boundary between Versicolor & Virginica';

Получите коэффициенты для квадратичного контура между первыми и вторыми классами.

MdlQuadratic.ClassNames([1 2])

ans = 2x1 cell array
    {'setosa'    }
    {'versicolor'}

K = MdlQuadratic.Coeffs(1,2).Const;
L = MdlQuadratic.Coeffs(1,2).Linear; 
Q = MdlQuadratic.Coeffs(1,2).Quadratic;

Постройте кривую, которая разделяет первое и второе и классы.

f = @(x1,x2) K + L(1)*x1 + L(2)*x2 + Q(1,1)*x1.^2 + ...
    (Q(1,2)+Q(2,1))*x1.*x2 + Q(2,2)*x2.^2;
h3 = fimplicit(f,[.9 7.1 0 1.02]); % Plot the relevant portion of the curve.
h3.Color = 'k';
h3.LineWidth = 2;
h3.DisplayName = 'Boundary between Versicolor & Setosa';
axis([.9 7.1 0 2.5])
xlabel('Petal Length')
ylabel('Petal Width')
title('{\bf Quadratic Classification with Fisher Training Data}')
hold off

Документация

Создайте и визуализируйте классификатор дискриминантного анализа

Смотрите также

Функции

Объекты

Похожие темы

Документация Statistics and Machine Learning Toolbox

Поддержка