Классификационное ребро
E = edge(obj,X,Y)
E = edge(obj,X,Y,Name,Value)
E = edge(obj,X,Y)obj с данными X и классификационные Y.
E = edge(obj,X,Y,Name,Value)Name,Value аргументы в виде пар.
|
Классификатор дискриминантного анализа |
|
Матрица, где каждая строка представляет наблюдение, а каждый столбец представляет предиктор. Количество столбцов в |
|
Метки классов с совпадающим типом данных, что и в |
Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.
|
Веса наблюдений, числовой вектор длины По умолчанию: |
|
Ребро, скаляр, представляющий средневзвешенное значение маржи. |
Вычислите классификационное ребро и поле для данных радужной оболочки глаза Фишера, обученное на первых двух столбцах данных, и просмотрите последние 10 записей:
load fisheriris
X = meas(:,1:2);
obj = fitcdiscr(X,species);
E = edge(obj,X,species)
E =
0.4980
M = margin(obj,X,species);
M(end-10:end)
ans =
0.6551
0.4838
0.6551
-0.5127
0.5659
0.4611
0.4949
0.1024
0.2787
-0.1439
-0.4444Классификатор, обученный на всех данных, лучше:
obj = fitcdiscr(meas,species);
E = edge(obj,meas,species)
E =
0.9454
M = margin(obj,meas,species);
M(end-10:end)
ans =
0.9983
1.0000
0.9991
0.9978
1.0000
1.0000
0.9999
0.9882
0.9937
1.0000
0.9649ClassificationDiscriminant | fitcdiscr | loss | margin | predict