logp

Логгирование безусловной плотности вероятностей для классификатора дискриминантного анализа

Синтаксис

lp = logp(obj,Xnew)

Описание

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

Входные параметры

`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-столбец со одинакового числа строк следующим `Xnew`. Каждая запись является логарифмом безусловной плотности вероятностей соответствующей строки `Xnew`.

Примеры

расширить все

Вычисление безусловной плотности вероятностей по журналу наблюдений

Открыть Live Script

Создайте классификатор дискриминантного анализа для данных радужной оболочки глаза Фишера и исследуйте его предсказание для среднего измерения.

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

load fisheriris
Mdl = fitcdiscr(meas,species);

Найдите журнал вероятность дискриминантной модели, примененной к средней радужке.

logpAverage = logp(Mdl,mean(meas))

logpAverage = -1.7254

Подробнее о

расширить все

Безусловная плотность вероятностей

Безусловная плотность вероятностей точечной x дискриминантной модели анализа

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

где P (x, k) - условная плотность модели в x для класса k, когда общее количество классов K.

Условная P плотности (x, k)

P (x, k) = <reservedrangesplaceholder4>(<reservedrangesplaceholder3>)<reservedrangesplaceholder2>(<reservedrangesplaceholder1>|<reservedrangesplaceholder0>),

где P (<reservedrangesplaceholder13>) является предшествующей вероятностью класса k, и P (x | k) условная плотность x, данного класс k. Условная плотность распределения многомерного нормального с _{1-by-<reservedrangesplaceholder6>}, средним μk и d d ковариацией Σ <reservedrangesplaceholder2> в точке 1-by-<reservedrangesplaceholder1> 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 $| Σ_{k} |$ является определяющим, и, k, $Σ_{k}^{- 1}$ - обратная матрица.

См. также

CompactClassificationDiscriminant | fitcdiscr | mahal

Темы

Классификация дискриминантного анализа

Statistics and Machine Learning Toolbox документация

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