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

  • Class1ClassNames(i)

  • Class2ClassNames(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

compactКомпактный классификатор дискриминантного анализа
crossvalПерекрестный подтвержденный классификатор дискриминантного анализа
cvshrinkПерекрестный подтвердите регуляризацию линейного дискриминанта
edgeРебро классификации
logpРегистрируйте безусловную плотность вероятности для классификатора дискриминантного анализа
lossОшибка классификации
mahalРасстояние Mahalanobis до средних значений класса
marginПоля классификации
nLinearCoeffsКоличество ненулевых линейных коэффициентов
partialDependenceВычислите частичную зависимость
plotPartialDependenceСоздайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
predictПредскажите метки с помощью модели классификации дискриминантных анализов
resubEdgeРебро классификации перезаменой
resubLossОшибка классификации перезаменой
resubMarginПоля классификации перезаменой
resubPredictПредскажите метки перезамены модели классификации дискриминантных анализов

Примеры

свернуть все

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

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

Представленный в R2011b
Для просмотра документации необходимо авторизоваться на сайте