logp

Логарифмическая безусловная плотность вероятности для классификатора дискриминантного анализа

Синтаксис

lp = logp(obj,Xnew)

Описание

lp = logp(obj,Xnew) возвращает журнал безусловной плотности вероятности каждой строки из Xnew, вычисленное с использованием дискриминантной модели анализа obj.

Входные аргументы

`obj`	Классификатор дискриминантного анализа, полученный с использованием `fitcdiscr`.
`Xnew`	Матрица, где каждая строка представляет наблюдение, а каждый столбец представляет предиктор. Количество столбцов в `Xnew` должно равняться количеству предикторов в `obj`.

Выходные аргументы

`lp`	Вектор столбца с тем же количеством строк, что и `Xnew`. Каждая запись является логарифмом безусловной плотности вероятности соответствующей строки `Xnew`.

Примеры

развернуть все

Расчетная логарифмическая безусловная плотность вероятности наблюдения

Открыть сценарий в реальном времени

Создайте классификатор дискриминантного анализа для данных радужки Фишера и изучите его прогноз на предмет среднего измерения.

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

load fisheriris
Mdl = fitcdiscr(meas,species);

Найдите логарифмическую вероятность дискриминантной модели, применяемой к средней радужке.

logpAverage = logp(Mdl,mean(meas))

logpAverage = -1.7254

Подробнее

развернуть все

Безусловная плотность вероятности

Безусловная плотность вероятности точки x дискриминантной модели анализа равна

$P (x)_{}^{} =∑k=1KP (x,$ k),

где P (x, k) - условная плотность модели при x для класса k, когда общее число классов равно К.

Условная плотность P (x, k) равна

P (x, k) = P (k) P (x 'k),

где P (k) - предшествующая вероятность класса k, а P (x 'k) - условная плотность x данного класса k. Функция условной плотности многовариантной нормали с 1 на d средним мкк и d на d ковариацией

$P (x 'k) \frac{}{{= {1 (}^{(} {2δ}_{)}}^{d' Startk}} |) \frac{}{} 1/2exp_{(} -_{}^{12} {(x -_{}}^{мкк}$ )

где $|_{} Startk$ | - детерминант Startk, $а_{}^{Startk}$ − 1 - обратная матрица.

См. также

CompactClassificationDiscriminant | fitcdiscr | mahal

Темы

Классификация дискриминантного анализа

Документация по инструментам для статистического и машинного обучения

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.