Загрузите fisheriris набор данных. Создайте group как массив ячеек из символьных векторов, который содержит ирисовые разновидности.

load fisheriris
group = species;

meas матрица содержит четыре лепестковых измерения для 150 ирисовых диафрагм. Случайным образом наблюдения раздела в набор обучающих данных (trainingData) и демонстрационный набор (sampleData) со стратификацией, с помощью информации о группе в group. Задайте 40%-ю выборку затяжки для sampleData.

rng('default') % For reproducibility
cv = cvpartition(group,'HoldOut',0.40);
trainInds = training(cv);
sampleInds = test(cv);
trainingData = meas(trainInds,:);
sampleData = meas(sampleInds,:);

Классифицируйте sampleData использование линейного дискриминантного анализа, и создает график беспорядка от истинных меток в group и предсказанные метки в class.

class = classify(sampleData,trainingData,group(trainInds));
cm = confusionchart(group(sampleInds),class);

classify функция неправильно классифицирует одну ирисовую диафрагму versicolor как virginica в наборе выборочных данных.

Классифицируйте точки данных на сетку измерений (выборочные данные) при помощи квадратичного дискриминантного анализа. Затем визуализируйте выборочные данные, обучающие данные и контур решения.

Загрузите fisheriris набор данных. Создайте group как массив ячеек из символьных векторов, который содержит ирисовые разновидности.

load fisheriris
group = species(51:end);

Постройте длину чашелистика (SL) и ширина (SW) измерения для ирисовой диафрагмы versicolor и virginica разновидностей.

SL = meas(51:end,1);
SW = meas(51:end,2);
h1 = gscatter(SL,SW,group,'rb','v^',[],'off');
h1(1).LineWidth = 2;
h1(2).LineWidth = 2;
legend('Fisher versicolor','Fisher virginica','Location','NW')
xlabel('Sepal Length')
ylabel('Sepal Width')

Создание демонстрационных данных как числовая матрица, которая содержит сетку измерений. Создайте trainingData как числовая матрица, которая содержит измерения длины и ширины чашелистика для ирисовой диафрагмы versicolor и virginica разновидностей.

[X,Y] = meshgrid(linspace(4.5,8),linspace(2,4));
X = X(:); Y = Y(:);
sampleData = [X Y];
trainingData = [SL SW];

Классифицируйте sampleData использование квадратичного дискриминантного анализа.

[C,err,posterior,logp,coeff] = classify(sampleData,trainingData,group,'quadratic');

Получите коэффициенты KL, и M для квадратичного контура между этими двумя классами.

K = coeff(1,2).const;
L = coeff(1,2).linear; 
Q = coeff(1,2).quadratic;

Кривая, которая разделяет эти два класса, задана этим уравнением:

Визуализируйте дискриминантную классификацию.

hold on
h2 = gscatter(X,Y,C,'rb','.',1,'off');
f = @(x,y) K + L(1)*x + L(2)*y + Q(1,1)*x.*x + (Q(1,2)+Q(2,1))*x.*y + Q(2,2)*y.*y;
h3 = fimplicit(f,[4.5 8 2 4]);
h3.Color = 'm';
h3.LineWidth = 2;
h3.DisplayName = 'Decision Boundary';
hold off
axis tight
xlabel('Sepal Length')
ylabel('Sepal Width')
title('Classification with Fisher Training Data')

Разделите набор данных в выборочные и обучающие данные и классифицируйте выборочные данные с помощью линейного дискриминантного анализа. Затем визуализируйте контуры решения.

Загрузите fisheriris набор данных. Создайте group как массив ячеек из символьных векторов, который содержит ирисовые разновидности. Создайте PL и PW как числовые векторы, которые содержат лепестковые измерения длины и ширины, соответственно.

load fisheriris
group = species;
PL = meas(:,3);
PW = meas(:,4);

Постройте длину чашелистика (PL) и ширина (PW) измерения для ирисовой диафрагмы setosa, versicolor, и virginica разновидности.

h1 = gscatter(PL,PW,species,'krb','ov^',[],'off');
legend('Setosa','Versicolor','Virginica','Location','best')
xlabel('Petal Length')
ylabel('Petal Width')

Случайным образом наблюдения раздела в набор обучающих данных (trainingData) и демонстрационный набор (sampleData) со стратификацией, с помощью информации о группе в group. Задайте 10%-ю выборку затяжки для sampleData.

rng('default') % For reproducibility
cv = cvpartition(group,'HoldOut',0.10);
trainInds = training(cv);
sampleInds = test(cv);
trainingData = [PL(trainInds) PW(trainInds)];
sampleData = [PL(sampleInds) PW(sampleInds)];

Классифицируйте sampleData использование линейного дискриминантного анализа.

[class,err,posterior,logp,coeff] = classify(sampleData,trainingData,group(trainInds));

Получите коэффициенты K и L для линейного контура между вторыми и третьими классами.

K = coeff(2,3).const;  
L = coeff(2,3).linear;

Линия, которая разделяет вторые и третьи классы, задана уравнением $\mathit{K}+\left[\begin{array}{cc}{\mathit{x}}_1& {\mathit{x}}_2\end{array}\right]\mathit{L}=0$. Постройте границу между вторыми и третьими классами.

f = @(x1,x2) K + L(1)*x1 + L(2)*x2;
hold on
h2 = fimplicit(f,[.9 7.1 0 2.5]);
h2.Color = 'r';
h2.DisplayName = 'Boundary between Versicolor & Virginica';

Получите коэффициенты K и L для линейного контура между первыми и вторыми классами.

K = coeff(1,2).const;
L = coeff(1,2).linear;

Постройте график, который разделяет первые и вторые классы.

f = @(x1,x2) K + L(1)*x1 + L(2)*x2;
h3 = fimplicit(f,[.9 7.1 0 2.5]);
hold off
h3.Color = 'k';
h3.DisplayName = 'Boundary between Versicolor & Setosa';
axis tight
title('Linear Classification with Fisher Training Data')