ClassificationDiscriminant class

Суперклассы: CompactClassificationDiscriminant

Классификация дискриминантных анализов

Описание

ClassificationDiscriminant объект инкапсулирует классификатор дискриминантного анализа, который является смешанной гауссовской моделью для генерации данных. ClassificationDiscriminant объект может предсказать ответы для новых данных с помощью predict метод. Объект содержит данные, используемые для обучения, так может вычислить предсказания перезамены.

Конструкция

Создайте ClassificationDiscriminant объект при помощи fitcdiscr.

Свойства

`BetweenSigma`	`p`- `p` матрица, ковариация между классами, где `p` количество предикторов.
`CategoricalPredictors`	Категориальные индексы предиктора, который всегда пуст (`[]`) .
`ClassNames`	Список элементов в обучающих данных `Y` с удаленными копиями. `ClassNames` может быть категориальный массив, массив ячеек из символьных векторов, символьный массив, логический вектор или числовой вектор. `ClassNames` имеет совпадающий тип данных как данные в аргументе `Y`. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)
`Coeffs`	`k`- `k` структура содействующих матриц, где `k` количество 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 `p` компоненты, где `p` количество столбцов в `X` `Quadratic` `P`- `p` матрица, существует для квадратичного `DiscrimType` Уравнение контура между классом `i` и класс `j` `Const` + `Linear` `X` + `x'` * `Quadratic` `X`= 0 , где `x` вектор-столбец длины `p`. Если `fitcdiscr` имел `FillCoeffs` набор пары "имя-значение" к `'off'` при построении классификатора, `Coeffs` `isempty`).
`Cost`	Квадратная матрица, где `Cost(i,j)` стоимость классификации точки в класс `j` если его истинным классом является `i` (т.е. строки соответствуют истинному классу, и столбцы соответствуют предсказанному классу). Порядок строк и столбцов `Cost` соответствует порядку классов в `ClassNames`. Количество строк и столбцов в `Cost` количество уникальных классов в ответе. Измените `Cost` матрица с помощью записи через точку: `obj.Cost = costMatrix`.
`Delta`	Значение порога Delta для линейной дискриминантной модели, неотрицательного скаляра. Если коэффициент `obj` имеет величину, меньшую, чем `Delta`, `obj` наборы этот коэффициент к `0`, и таким образом, можно устранить соответствующий предиктор из модели. Установите `Delta` к более высокому значению, чтобы устранить больше предикторов. `Delta` должен быть `0` для квадратичных дискриминантных моделей. Измените `Delta` использование записи через точку: `obj.Delta = newDelta`.
`DeltaPredictor`	Вектор-строка из длины равняется количеству предикторов в `obj`. Если `DeltaPredictor(i) < Delta` затем коэффициент `i` из модели `0`. Если `obj` квадратичная дискриминантная модель, все элементы `DeltaPredictor` `0`.
`DiscrimType`	Вектор символов, задающий дискриминантный тип. Один из: `'linear'` `'quadratic'` `'diagLinear'` `'diagQuadratic'` `'pseudoLinear'` `'pseudoQuadratic'` Измените `DiscrimType` использование 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` к `1`. Измените `Gamma` использование 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 `MinGamma` свойство. Для квадратичного дискриминанта можно установить любой `0` (для `DiscrimType` `'quadratic'`) или `1` (для `DiscrimType` `'diagQuadratic'`).
`HyperparameterOptimizationResults`	Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как `BayesianOptimization` возразите или таблица гиперпараметров и присваиваемых значений. Непустой, когда `OptimizeHyperparameters` пара "имя-значение" непуста при создании. Значение зависит от установки `HyperparameterOptimizationOptions` пара "имя-значение" при создании: `'bayesopt'` (значение по умолчанию) — Объект класса `BayesianOptimization` `'gridsearch'` или `'randomsearch'` — Таблица гиперпараметров используемые, наблюдаемые значения целевой функции (потеря перекрестной проверки), и ранг наблюдений от самого низкого (лучше всего) к (худшему) самому высокому
`LogDetSigma`	Логарифм определителя ковариационной матрицы в классе. Тип `LogDetSigma` зависит от дискриминантного типа: Скаляр для линейного дискриминантного анализа Вектор из длины `K` для квадратичного дискриминантного анализа, где `K` количество классов
`MinGamma`	Неотрицательный скаляр, минимальное значение Гамма параметра так, чтобы корреляционная матрица была обратимой. Если корреляционная матрица не сингулярна, `MinGamma` `0`.
`ModelParameters`	Параметры используются в учебном `obj`.
`Mu`	Класс означает в виде `K`- `p` матрица средних значений класса скалярных значений размера. `K` количество классов и `p` количество предикторов. Каждая строка `Mu` представляет среднее значение многомерного нормального распределения соответствующего класса. Индексы класса находятся в `ClassNames` атрибут.
`NumObservations`	Количество наблюдений в обучающих данных, числовом скаляре. `NumObservations` может быть меньше количества строк входных данных `X` когда существуют отсутствующие значения в `X` или ответ `Y`.
`PredictorNames`	Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в обучающих данных `X`.
`Prior`	Числовой вектор из априорных вероятностей для каждого класса. Порядок элементов `Prior` соответствует порядку классов в `ClassNames`. Добавьте или измените `Prior` вектор с помощью записи 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 баллов. `'none'` средние значения никакое преобразование; эквивалентно, `'none'` средние значения `@(x)x`. Для списка встроенных функций преобразования и синтаксиса пользовательских функций преобразования, смотрите `fitcdiscr`. Реализуйте запись через точку, чтобы добавить или изменить `ScoreTransform` функция с помощью 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`- `p`, где `p` количество предикторов `'quadratic'` — Массив размера `p`- `p`- `K`, где `K` количество классов `'diagLinear'` — Вектор-строка из длины `p` `'diagQuadratic'` — Массив размера `1`- `p`- `K` `'pseudoLinear'` — Матрица размера `p`- `p` `'pseudoQuadratic'` — Массив размера `p`- `p`- `K`
`W`	Масштабированный `weights`, вектор с длиной `n`, количество строк в `X`.
`X`	Матрица значений предиктора. Каждый столбец `X` представляет один предиктор (переменная), и каждая строка представляет одно наблюдение.
`Xcentered`	`X` данные с вычтенными средними значениями класса. Если `Y(i)` имеет класс `j`, `Xcentered(i,:)` = `X(i,:)` – `Mu(j,:)`, где `Mu` среднее свойство класса.
`Y`	Категориальный массив, массив ячеек из символьных векторов, символьный массив, логический вектор или числовой вектор с одинаковым числом строк как `X`. Каждая строка `Y` представляет классификацию соответствующей строки `X`.

Функции объекта

`compact`	Компактный классификатор дискриминантного анализа
`crossval`	Перекрестный подтвержденный классификатор дискриминантного анализа
`cvshrink`	Перекрестный подтвердите регуляризацию линейного дискриминанта
`edge`	Ребро классификации
`logp`	Регистрируйте безусловную плотность вероятности для классификатора дискриминантного анализа
`loss`	Ошибка классификации
`mahal`	Расстояние Mahalanobis до средних значений класса
`margin`	Поля классификации
`nLinearCoeffs`	Количество ненулевых линейных коэффициентов
`partialDependence`	Вычислите частичную зависимость
`plotPartialDependence`	Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
`predict`	Предскажите метки с помощью модели классификации дискриминантных анализов
`resubEdge`	Ребро классификации перезаменой
`resubLoss`	Ошибка классификации перезаменой
`resubMargin`	Поля классификации перезаменой
`resubPredict`	Предскажите метки перезамены модели классификации дискриминантных анализов

Копировать семантику

Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".

Примеры

свернуть все

Обучите модель дискриминантного анализа

Скрипт Open Live Script

Загрузите ирисовый набор данных Фишера.

load fisheriris

Обучите модель дискриминантного анализа использование целого набора данных.

Mdl = fitcdiscr(meas,species)

Mdl = 
  ClassificationDiscriminant
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'setosa'  'versicolor'  'virginica'}
           ScoreTransform: 'none'
          NumObservations: 150
              DiscrimType: 'linear'
                       Mu: [3x4 double]
                   Coeffs: [3x3 struct]


  Properties, Methods

Mdl ClassificationDiscriminant модель. Чтобы получить доступ к ее свойствам, используйте запись через точку. Например, отобразите средние значения группы для каждого предиктора.

Mdl.Mu

ans = 3×4

    5.0060    3.4280    1.4620    0.2460
    5.9360    2.7700    4.2600    1.3260
    6.5880    2.9740    5.5520    2.0260

Чтобы предсказать метки для новых наблюдений, передайте Mdl и данные о предикторе к predict.

Больше о

развернуть все

Дискриминантная классификация

Модель для дискриминантного анализа:

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

predict классифицирует, чтобы минимизировать ожидаемую стоимость классификации:

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

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 Предсказание Использует Модели Дискриминантного анализа.

Регуляризация

Регуляризация является процессом нахождения маленького набора предикторов, которые дают к эффективной прогнозной 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 вектором средних значений для тех элементов X в классе k и позволить μ ₀ быть глобальным вектором средних значений (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 величине, чем порог δ. Поэтому для класса k, если j компонента является порогом, чтобы обнулить, j компонента x, не вводит в оценку апостериорной вероятности.

DeltaPredictor свойство 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.

Ссылки

[1] Го, Y., Т. Хэсти и Р. Тибширэни. Упорядоченный линейный дискриминантный анализ и его приложение в микромассивах. Биостатистика, Издание 8, № 1, стр 86–100, 2007.

Расширенные возможности

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

Указания и ограничения по применению:

predict функционируйте генерация кода поддержек.
Когда вы обучаете модель дискриминантного анализа при помощи fitcdiscr или создайте компактную модель дискриминантного анализа при помощи makecdiscr, следующие ограничения применяются.
- Класс помечает значение входного параметра (Y) не может быть категориальный массив.
- Значение 'ClassNames' аргументом пары "имя-значение" не может быть категориальный массив.
- Значение 'ScoreTransform' аргументом пары "имя-значение" не может быть анонимная функция.

Для получения дополнительной информации смотрите Введение в Генерацию кода.

Документация

ClassificationDiscriminant class

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Обучите модель дискриминантного анализа

Больше о

Дискриминантная классификация

Регуляризация

Ссылки

Расширенные возможности

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

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

ClassificationDiscriminant class

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Обучите модель дискриминантного анализа

Больше о

Дискриминантная классификация

Регуляризация

Ссылки

Расширенные возможности

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

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

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