CompactClassificationDiscriminant

Пакет: classreg.learning.classif

Компактный класс дискриминантного анализа

Описание

A CompactClassificationDiscriminant объект является компактной версией классификатора дискриминантного анализа. Компактная версия не включает данные для настройки классификатора. Поэтому вы не можете выполнить некоторые задачи с компактным классификатором, таким как перекрестная валидация. Используйте компактный классификатор для составления предсказаний (классификаций) новых данных.

Конструкция

cobj = compact(obj) создает компактный классификатор из полного классификатора.

cobj = makecdiscr(Mu,Sigma) создает компактный классификатор дискриминантного анализа из средств классов Mu и ковариационная матрица Sigma. Для получения дополнительной информации о синтаксисе см. makecdiscr.

Входные параметры

obj

Классификатор дискриминантного анализа, созданный с помощью fitcdiscr.

Свойства

`BetweenSigma`	`p`-by- `p` матрица, ковариация между классами, где `p` - количество предикторов.
`CategoricalPredictors`	Категориальные индексы предиктора, который всегда пуст (`[]`) .
`ClassNames`	Список элементов обучающих данных `Y` с удаленными дубликатами. `ClassNames` может быть категориальным массивом, массивом ячеек из векторов символов, символьным массивом, логическим вектором или числовым вектором. `ClassNames` имеет тот совпадающий тип данных, что и данные в аргументе `Y`. (Программа обрабатывает массивы строк как массивы ячеек векторов символов.)
`Coeffs`	`k`-by- `k` структура матриц коэффициентов, 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`-by- `p` матрица, существует для квадратичных `DiscrimType` Уравнение контура между классами `i` и классовые `j` является `Const` + `Linear` * `x` + `x'` * `Quadratic` * `x` = `0`, где `x` является вектор-столбец длины `p`. Если `fitcdiscr` имел `FillCoeffs` Пара "имя-значение" установлена на `'off'` при построении классификатора `Coeffs` пуст (`[]`).
`Cost`	Квадратная матрица, где `Cost(i,j)` - стоимость классификации точки в класс `j` если его класс true `i` (т.е. строки соответствуют истинному классу, а столбцы - предсказанному классу). Порядок строк и столбцов `Cost` соответствует порядку классов в `ClassNames`. Количество строк и столбцов в `Cost` количество уникальных классов в ответе. Изменение `Cost` матрица с использованием записи через точку: `obj.Cost = costMatrix`.
`Delta`	Значение порога Дельты для линейной дискриминантной модели, неотрицательного скаляра. Если коэффициент `obj` имеет величину меньше `Delta`, `obj` устанавливает этот коэффициент равным `0`, и таким образом можно исключить из модели соответствующий предиктор. Задайте `Delta` к более высокому значению, чтобы исключить больше предикторов. `Delta` должен быть `0` для квадратичных дискриминантных моделей. Изменение `Delta` использование записи через точку: `obj.Delta = newDelta`.
`DeltaPredictor`	Вектор-строка длины, равная количеству предикторов в `obj`. Если `DeltaPredictor(i) < Delta` затем коэффициент `i` модели `0`. Если `obj` является квадратичной дискриминантной моделью, все элементы `DeltaPredictor` являются `0`.
`DiscrimType`	Вектор символов, задающий тип дискриминанта. Один из: `'linear'` `'quadratic'` `'diagLinear'` `'diagQuadratic'` `'pseudoLinear'` `'pseudoQuadratic'` Изменение `DiscrimType` использование записи через точку: `obj.DiscrimType = newDiscrimType`. Вы можете изменяться между линейными типами или между квадратичными типами, но не можете меняться между линейными и квадратичными типами.
`Gamma`	Значение параметра гамма-регуляризации, скаляр от `0` на `1`. Изменение `Gamma` использование записи через точку: `obj.Gamma = newGamma`. Если вы задаете `1` для линейного дискриминанта дискриминант устанавливает свой тип следующим `'diagLinear'`. Если вы задаете значение между `MinGamma` и `1` для линейного дискриминанта дискриминант устанавливает свой тип следующим `'linear'`. Вы не можете задать значения ниже значения `MinGamma` свойство. Для квадратичного дискриминанта можно задать любой `0` (для `DiscrimType` `'quadratic'`) или `1` (для `DiscrimType` `'diagQuadratic'`).
`LogDetSigma`	Логарифм определяющего ковариационной матрицы внутри класса. Тип `LogDetSigma` зависит от типа дискриминанта: Скаляр для линейного дискриминантного анализа Вектор длины `K` для квадратичного дискриминантного анализа, где `K` количество классов
`MinGamma`	Неотрицательный скаляр, минимальное значение параметра Гаммы так, что матрица корреляции является инвертируемой. Если матрица корреляции не сингулярна, `MinGamma` является `0`.
`Mu`	Класс означает, задается как `K`-by- `p` матрица класса скалярных значений означает size. `K` количество классов и `p` - количество предикторов. Каждая строка `Mu` представляет среднее значение многомерного нормального распределения соответствующего класса. Индексы классов указаны в `ClassNames` атрибут.
`PredictorNames`	Массив ячеек с именами для переменных предиктора в том порядке, в котором они появляются в обучающих данных `X`.
`Prior`	Числовой вектор априорных вероятностей для каждого класса. Порядок элементов `Prior` соответствует порядку классов в `ClassNames`. Добавление или изменение `Prior` вектор с использованием 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 счетов. `'none'` означает отсутствие преобразования; эквивалентно `'none'` означает `@(x)x`. Список встроенных функций преобразования и синтаксис пользовательских функций преобразования см. в `fitcdiscr`. Реализуйте запись через точку, чтобы добавить или изменить `ScoreTransform` использовать одну из следующих функций: `cobj. ScoreTransform =' function'` `cobj. ScoreTransform = function`
`Sigma`	Ковариационная матрица или матрицы внутри класса. От размерностей зависит `DiscrimType`: `'linear'` (по умолчанию) - Матрица размера `p`-by- `p`, где `p` количество предикторов `'quadratic'` - Массив размерных `p`-by- `p`-by- `K`, где `K` количество классов `'diagLinear'` - Вектор-строка длины `p` `'diagQuadratic'` - Массив размерных `1`-by- `p`-by- `K` `'pseudoLinear'` - Матрица размера `p`-by- `p` `'pseudoQuadratic'` - Массив размерных `p`-by- `p`-by- `K`

Функции объекта

`compareHoldout`	Сравните точности двух классификационных моделей с помощью новых данных
`edge`	Классификационное ребро
`lime`	Локальные интерпретируемые модели-агностические объяснения (LIME)
`logp`	Логгирование безусловной плотности вероятностей для классификатора дискриминантного анализа
`loss`	Ошибка классификации
`mahal`	Расстояние Махаланобиса до класса означает
`margin`	Классификационные поля
`nLinearCoeffs`	Количество ненулевых линейных коэффициентов
`partialDependence`	Вычисление частичной зависимости
`plotPartialDependence`	Создайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE)
`predict`	Прогнозируйте метки с помощью дискриминантной модели классификации анализа
`shapley`	Значения Shapley

Копировать семантику

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

Примеры

свернуть все

Создайте компактный классификатор дискриминантного анализа

Открыть 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 размером 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 средства и ковариации

Открыть Live Script

Создайте компактный классификатор дискриминантного анализа из средств и ковариаций данных радужной оболочки глаза 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'});

Подробнее о

расширить все

Классификация дискриминантов

Модель для дискриминантного анализа:

Каждый класс (Y) генерирует данные (X) с использованием многомерного нормального распределения. То есть модель принимает X имеет Гауссово-смешанное распределение (gmdistribution).
- Для линейного дискриминантного анализа модель имеет ту же ковариационную матрицу для каждого класса, варьируются только средства.
- Для квадратичного дискриминантного анализа как средства, так и ковариации каждого класса варьируются.

predict классифицирует так, чтобы минимизировать ожидаемые классификационные затраты:

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

где

$\hat{y}$ - предсказанная классификация.
K - количество классов.
$\hat{P} (k | x)$ - апостериорная вероятность k классов для x наблюдений.
$C (y | k)$ - стоимость классификации наблюдения как y, когда его истинный класс k.

Для получения дополнительной информации смотрите Предсказание с использованием дискриминантных моделей анализа.

Регуляризация

Регуляризация - это процесс нахождения небольшого набора предикторов, которые дают эффективную прогнозирующую модель. Для линейного дискриминантного анализа существует два параметра, γ и δ, которые управляют регуляризацией следующим образом. cvshrink помогает вам выбрать соответствующие значения параметров.

Позвольте Σ представлять ковариационную матрицу данных X и позволить $\hat{X}$ быть центрированными данными (данные X минус среднее значение по классам). Определить

$D = diag ({\hat{X}}^{T} * \hat{X}) .$

Регуляризованная ковариационная матрица $\tilde{Σ}$ является

$\tilde{Σ} = (1 - γ) Σ + γ D .$

Всякий раз, когда γ ≥ MinGamma, $\tilde{Σ}$ является несингулярным.

Пусть _μk является средним вектором для тех элементов X в классе k, и пусть μ 0 является глобальным средним вектором (средним значением для строк X). Позвольте C быть корреляционной матрицей X данных, и позвольте $\tilde{C}$ быть регуляризованной корреляционной матрицей:

$\tilde{C} = (1 - γ) C + γ I,$

где I - матрица тождеств.

Линейный термин в регуляризованном классификаторе дискриминантного анализа для x точек данных является

${(x - μ_{0})}^{T} {\tilde{Σ}}^{- 1} (μ_{k} - μ_{0}) = [{(x - μ_{0})}^{T} D^{- 1 / 2}] [{\tilde{C}}^{- 1} D^{- 1 / 2} (μ_{k} - μ_{0})] .$

Параметр δ входит в это уравнение как порог на конечном члене в квадратных скобках. Каждый компонент вектора $[{\tilde{C}}^{- 1} D^{- 1 / 2} (μ_{k} - μ_{0})]$ равен нулю, если он меньше по величине, чем пороговое δ. Поэтому для k класса, если j компонента порога к нулю, j компонента x не входит в оценку апостериорной вероятности.

The DeltaPredictor свойство является вектором, связанным с этим порогом. Когда δ ≥ DeltaPredictor(i), все классы, которые k имеете

$| {\tilde{C}}^{- 1} D^{- 1 / 2} (μ_{k} - μ_{0}) | \leq δ .$

Поэтому, когда δ ≥ DeltaPredictor(i)Регуляризованный классификатор не использует предиктор i.

Расширенные возможности

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

Указания и ограничения по применению:

The predict функция поддерживает генерацию кода.
Когда вы обучаете дискриминантную модель анализа при помощи fitcdiscr или создайте компактную дискриминантную модель анализа при помощи makecdiscr, значение 'ScoreTransform' аргумент пары "имя-значение" не может быть анонимной функцией.

Для получения дополнительной информации смотрите Введение в генерацию кода.

См. также

Документация

CompactClassificationDiscriminant

Описание

Конструкция

Входные параметры

Свойства

Функции объекта

Копировать семантику

Примеры

Создайте компактный классификатор дискриминантного анализа

Создайте классификатор, используя средства и ковариации

Подробнее о

Классификация дискриминантов

Регуляризация

Расширенные возможности

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

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

CompactClassificationDiscriminant

Описание

Конструкция

Входные параметры

Свойства

Функции объекта

Копировать семантику

Примеры

Создайте компактный классификатор дискриминантного анализа

Создайте классификатор, используя средства и ковариации

Подробнее о

Классификация дискриминантов

Регуляризация

Расширенные возможности

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

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

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