CompactClassificationDiscriminant

Пакет: classreg.learning.classif

Компактный класс дискриминантного анализа

Описание

CompactClassificationDiscriminant объект 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 предсказания (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`- `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'`).
`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`.
`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.
`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`

Функции объекта

`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

Копировать семантику

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

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

       18291       11678

Компактный классификатор меньше, чем полный классификатор.

Создайте классификатор Используя средние значения 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) 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.

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

CompactClassificationDiscriminant

Описание

Конструкция

Входные параметры

Свойства

Функции объекта

Копировать семантику

Примеры

Создайте компактный классификатор дискриминантного анализа

Создайте классификатор Используя средние значения 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

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

CompactClassificationDiscriminant

Описание

Конструкция

Входные параметры

Свойства

Функции объекта

Копировать семантику

Примеры

Создайте компактный классификатор дискриминантного анализа

Создайте классификатор Используя средние значения 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

Документация Statistics and Machine Learning Toolbox

Поддержка

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