logp

Регистрируйте безусловную плотность вероятности для классификатора дискриминантного анализа

Синтаксис

lp = logp(obj,Xnew)

Описание

lp = logp(obj,Xnew) возвращает журнал безусловной плотности вероятности каждой строки Xnew, вычисленное использование модели obj дискриминантного анализа.

Входные параметры

`obj`	Классификатор дискриминантного анализа, произведенное использование `fitcdiscr`.
`Xnew`	Матрица, где каждая строка представляет наблюдение и каждый столбец, представляет предиктор. Количество столбцов в `Xnew` должен равняться количеству предикторов в `obj`.

Выходные аргументы

`lp`	Вектор-столбец с одинаковым числом строк как `Xnew`. Каждая запись является логарифмом безусловной плотности вероятности соответствующей строки `Xnew`.

Примеры

развернуть все

Вычислите журнал безусловная плотность вероятности наблюдения

Скрипт Open Live Script

Создайте классификатор дискриминантного анализа для ирисовых данных Фишера и исследуйте его предсказание на среднее измерение.

Загрузите ирисовые данные Фишера и создайте классификатор дискриминантного анализа по умолчанию.

load fisheriris
Mdl = fitcdiscr(meas,species);

Найдите, что логарифмическая вероятность дискриминантной модели применилась к средней ирисовой диафрагме.

logpAverage = logp(Mdl,mean(meas))

logpAverage = -1.7254

Больше о

развернуть все

Безусловная плотность вероятности

Безусловная плотность вероятности точки x модели дискриминантного анализа

$P (x) = \sum_{k = 1}^{K} P (x, k),$

где P (x, k) является условной плотностью модели в x для класса k, когда общим количеством классов является K.

Условная плотность P (x, k)

P (x, k) = P (k) P (x |k),

где P (k) является априорной вероятностью класса k, и P (x |k) является условной плотностью x, данного класс k. Условная функция плотности многомерного нормального с 1 d означает_{, что μk} и d-by-d ковариация Σ_k в 1 d указывают, что x

$P (x | k) = \frac{1}{{({(2 π)}^{d} | Σ_{k} |)}^{1 / 2}} \exp (- \frac{1}{2} (x - μ_{k}) Σ_{k}^{- 1} {(x - μ_{k})}^{T}),$

где $| Σ_{k} |$ определитель Σ_k, и $Σ_{k}^{- 1}$ обратная матрица.

Темы

Классификация дискриминантных анализов

Документация Statistics and Machine Learning Toolbox

Поддержка

Памятка переводчика

1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.

2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.

3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.

4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.

5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.

Документация