Дискриминантный анализ
class = classify(sample,training,group)
class = classify(sample,training,group,'type
')
class = classify(sample,training,group,'type
',prior
)
[class,err] = classify(...)
[class,err,POSTERIOR] = classify(...)
[class,err,POSTERIOR,logp] = classify(...)
[class,err,POSTERIOR,logp,coeff] = classify(...)
class = classify(sample,training,group)
классифицирует каждую строку данных в sample
в одну из групп в training
. sample
и training
должны быть матрицы с одинаковым числом столбцов. group
сгруппированная переменная для training
. Его уникальные значения задают группы; каждый элемент задает группу к который соответствующая строка training
принадлежит. group
может быть категориальная переменная, числовой вектор, символьный массив, массив строк или массив ячеек из символьных векторов. training
и group
должен иметь одинаковое число строк. classify
обработки <undefined>
значения, NaN
s, пустые символьные вектора, пустые строки и <missing>
представьте значения в виде строки в group
как пропускающий значения данных, и игнорирует соответствующие строки training
. Выход class
указывает на группу к который каждая строка sample
был присвоен и имеет тот же тип как group
.
class = classify(sample,training,group,'
позволяет вам задавать тип дискриминантной функции. Задайте type
')type
в одинарных кавычках. type
один из:
linear
— Соответствует многомерной нормальной плотности к каждой группе, с объединенной оценкой ковариации. Это значение по умолчанию.
diaglinear
— Подобно linear
, но с диагональной оценкой ковариационной матрицы (наивные классификаторы Байеса).
quadratic
— Соответствует многомерной нормальной плотности оценками ковариации, расслоенными группой.
diagquadratic
— Подобно quadratic
, но с диагональной оценкой ковариационной матрицы (наивные классификаторы Байеса).
mahalanobis
— Использование расстояния Mahalanobis со стратифицированными оценками ковариации.
class = classify(sample,training,group,'
позволяет вам задавать априорные вероятности для групп. type
',prior
)prior
один из:
Числовой вектор та же длина как количество уникальных значений в group
(или количество уровней задано для group
, если group
iscategorical. Если group
является числовым или категориальным, порядок prior
должен соответствовать упорядоченным значениям в group
. В противном случае, порядок prior
должен соответствовать порядку первого вхождения значений в group
.
Структура 1 на 1 с полями:
prob
— Числовой вектор.
group
— Из того же типа как group
, содержа уникальные значения, указывающие на группы, к который элементы prob
соответствовать.
Как структура, prior
может содержать группы, которые не появляются в group
. Это может быть полезно если training
подмножество больший набор обучающих данных. classify
игнорирует любые группы, которые появляются в структуре, но не в group
массив.
Вектор символов или строковый скаляр 'empirical'
, указание, что априорные вероятности группы должны быть оценены от частот родственника группы в training
.
prior
значения по умолчанию к числовому вектору равных вероятностей, т.е. равномерное распределение. prior
не используется в дискриминации расстоянием Mahalanobis, за исключением вычисления коэффициента ошибок.
[class,err] = classify(...)
также возвращает оценку err
из misclassification коэффициента ошибок на основе training
данные. classify
возвращает очевидный коэффициент ошибок, т.е. процент наблюдений в training
это неправильно классифицируется, взвешивается априорными вероятностями для групп.
[class,err,POSTERIOR] = classify(...)
также возвращает матричный POSTERIOR
из оценок апостериорных вероятностей, что j th учебная группа был источником i th демонстрационное наблюдение, т.е. Pr (group j |obs i). POSTERIOR
не вычисляется для дискриминации Mahalanobis.
[class,err,POSTERIOR,logp] = classify(...)
также возвращает векторный logp
содержа оценки логарифмов безусловной прогнозирующей плотности вероятности демонстрационных наблюдений, p (obs i) = ∑p (obs i |group j) Pr (group j) по всем группам. logp
не вычисляется для дискриминации Mahalanobis.
[class,err,POSTERIOR,logp,coeff] = classify(...)
также возвращает массив структур coeff
содержа коэффициенты пограничных кривых между парами групп. Каждый элемент coeff(I,J)
содержит информацию для сравнения группы I
сгруппировать J
в следующих полях:
type
— Тип дискриминантной функции, от type
входной параметр.
name1
— Имя первой группы.
name2
— Имя второй группы.
const
— Постоянный срок граничного уравнения (K)
linear
— Линейные коэффициенты граничного уравнения (L)
quadratic
— Квадратичная матрица коэффициентов граничного уравнения (Q)
Для linear
и diaglinear
типы, quadratic
поле отсутствует, и строка x
от sample
массив классифицируется в группу I
вместо того, чтобы группировать J
если 0 < K+x*L
. Для других типов, x
классифицируется в группу I
если 0 < K+x*L+x*Q*x'
.
fitcdiscr
функция также выполняет дискриминантный анализ. Можно обучить классификатор при помощи fitcdiscr
функционируйте и предскажите метки новых данных при помощи predict
функция. fitcdiscr
перекрестная проверка поддержек и гипероптимизация параметров управления и не требуют, чтобы вы соответствовали классификатору каждый раз, когда вы делаете новое предсказание, или вы изменяете априорные вероятности.
[1] Крзановский, W. J. Принципы многомерного анализа: перспектива пользователя. Нью-Йорк: Издательство Оксфордского университета, 1988.
[2] Seber, G. A. F. Многомерные наблюдения. Хобокен, NJ: John Wiley & Sons, Inc., 1984.