Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

ClassificationDiscriminant clase

Superclases: CompactClassificationDiscriminant

La clasificación de análisis discriminante

Descripción

Un objeto encapsula un clasificador de análisis discriminante, que es un modelo de mezcla gaussiana para la generación de datos.ClassificationDiscriminant Un objeto puede predecir las respuestas de los datos nuevos mediante elClassificationDiscriminant predict Método. El objeto contiene los datos utilizados para el entrenamiento, por lo que puede calcular las predicciones de reenvío.

Construcción

Cree un objeto mediante.ClassificationDiscriminantfitcdiscr

Propiedades

BetweenSigma

-by-Matrix, la covarianza entre clases, donde está el número de predictores.ppp

CategoricalPredictors

Índices predictores categóricos, que siempre están vacíos ().[]

ClassNames

Lista de los elementos de los datos de entrenamiento con duplicados eliminados. puede ser una matriz categórica, una matriz de vectores de caracteres, una matriz de caracteres, un vector lógico o un vector numérico. tiene el mismo tipo de datos que los datos del argumento.YClassNamesClassNamesY (The software treats string arrays as cell arrays of character vectors.)

Coeffs

-por-estructura de matrices de coeficiente, donde es el número de clases. contiene coeficientes de los límites lineales o cuadráticos entre clases y.kkkCoeffs(i,j)ij Campos en:Coeffs(i,j)

  • DiscrimType

  • Class1ClassNames(i)

  • Class2ClassNames(j)

  • — Un escalarConst

  • — Un vector con componentes, donde está el número de columnas enLinearppX

  • —-by-Matrix, existe para el cuadráticoQuadraticppDiscrimType

La ecuación del límite entre clase y clase esij

+ * + * * = ,ConstLinearxx'Quadraticx0

donde es un vector de columna de longitud.xp

Si el par nombre-valor establecido en al construir el clasificador, está vacío ().fitcdiscrFillCoeffs'off'Coeffs[]

Cost

Matriz cuadrada, donde es el costo de clasificar un punto en la clase si su clase verdadera es (es decir, las filas corresponden a la clase verdadera y las columnas corresponden a la clase pronosticada).Cost(i,j)ji El orden de las filas y columnas corresponde al orden de las clases en.CostoClassNames El número de filas y columnas en es el número de clases únicas en la respuesta.Costo

Cambiar una matriz utilizando la notación de puntos:.Costoobj.Cost = costMatrix

Delta

Valor del umbral Delta para un modelo discriminante lineal, un escalar no negativo. Si un coeficiente de magnitud tiene menor que, establece este coeficiente en, y por lo que puede eliminar el predictor correspondiente del modelo.objDeltaobj0 Se establece en un valor más alto para eliminar más predictores.Delta

debe ser para modelos discriminantes cuadráticos.Delta0

Cambiar usando la notación de puntos:.Deltaobj.Delta = newDelta

DeltaPredictor

Vector de fila de longitud igual al número de predictores en.obj Si entonces el coeficiente del modelo es.DeltaPredictor(i) < Deltai0

Si es un modelo de discriminante cuadrático, todos los elementos de son.objDeltaPredictor0

DiscrimType

Vector de caracteres que especifica el tipo discriminante. Uno de:

  • 'linear'

  • 'quadratic'

  • 'diagLinear'

  • 'diagQuadratic'

  • 'pseudoLinear'

  • 'pseudoQuadratic'

Cambiar usando la notación de puntos:.DiscrimTypeobj.DiscrimType = newDiscrimType

Puede cambiar entre tipos lineales o entre tipos cuadráticos, pero no puede cambiar entre tipos lineales y cuadráticos.

Gamma

Valor del parámetro de regularización gamma, un escalar desde.01 Cambiar usando la notación de puntos:.Gammaobj.Gamma = newGamma

  • Si establece para discriminante lineal, el discriminante establece su tipo en.1'diagLinear'

  • Si establece un valor entre y para discriminante lineal, el discriminante establece su tipo en.MinGamma1'linear'

  • No puede establecer valores por debajo del valor de la propiedad.MinGamma

  • En el caso de discriminante cuadrático, puede establecer (para) o (para).0DiscrimType'quadratic'1DiscrimType'diagQuadratic'

HyperparameterOptimizationResults

Descripción de la optimización de validación cruzada de los hiperparámetros, almacenada como un objeto o una tabla de hiperparámetros y valores asociados.BayesianOptimization No vacía cuando el par nombre-valor no está vacío en la creación.OptimizeHyperparameters El valor depende de la configuración del par nombre-valor en la creación:HyperparameterOptimizationOptions

  • (valor predeterminado) — objeto de la clase'bayesopt'BayesianOptimization

  • o — tabla de hiperparámetros utilizados, valores de función objetiva observados (pérdida de validación cruzada) y rango de observaciones de menor (mejor) a mayor (peor)'gridsearch''randomsearch'

LogDetSigma

Logaritmo del determinante de la matriz de covarianza dentro de la clase. El tipo de depende del tipo discriminante:LogDetSigma

  • Escalar para el análisis discriminante lineal

  • Vector de longitud para el análisis de discriminante cuadrático, donde está el número de clasesKK

MinGamma

Escalar no negativo, el valor mínimo del parámetro gamma para que la matriz de correlación sea invertible. Si la matriz de correlación no es singular, es.MinGamma0

ModelParameters

Parámetros utilizados en la formación.obj

Mu

Clase significa, especificado como una-por-matriz de valores escalares clase medios de tamaño. es el número de clases y es el número de predictores.KpKp Cada fila de representa la media de la distribución normal multivariada de la clase correspondiente.Mu Los índices de clase están en el atributo.ClassNames

NumObservations

Número de observaciones en los datos de entrenamiento, un escalar numérico. puede ser menor que el número de filas de datos de entrada cuando faltan valores o respuestas.NumObservationsXXY

PredictorNames

Matriz de nombres de celdas para las variables predictoras, en el orden en que aparecen en los datos de entrenamiento.X

Prior

Vector numérico de probabilidades previas para cada clase. El orden de los elementos corresponde al orden de las clases en.PriorClassNames

Añadir o cambiar un vector utilizando la notación de puntos:.Priorobj.Prior = priorVector

ResponseName

Vector de caracteres que describe la variable de respuesta.Y

ScoreTransform

Vector de caracteres que representa una función de transformación integrada o un identificador de función para transformar las puntuaciones. significa que no hay transformación; equivalentemente, significa.'none''none'@(x)x Para obtener una lista de las funciones de transformación integradas y la sintaxis de las funciones de transformación personalizadas, consulte.fitcdiscr

Implemente la notación de puntos para agregar o cambiar una función mediante uno de los siguientes:ScoreTransform

  • cobj.ScoreTransform = 'function'

  • cobj.ScoreTransform = @function

Sigma

Matriz o matrices de covarianza dentro de la clase. Las dimensiones dependen de:DiscrimType

  • (predeterminado) — matriz de tamaño por-, donde es el número de predictores'linear'ppp

  • — Matriz de tamaño por-por-, donde está el número de clases'quadratic'ppKK

  • — Vector de fila de longitud'diagLinear'p

  • — Matriz de tamaño por--por-'diagQuadratic'1pK

  • — Matriz de tamaño por'pseudoLinear'pp

  • — Matriz de tamaño por--por-'pseudoQuadratic'ppK

W

Escalado, un vector con longitud, el número de filas en.weightsnX

X

Matriz de valores predictores. Cada columna de representa un predictor (variable), y cada fila representa una observación.X

Xcentered

datos con los medios de clase restados.X Si es de clase,Y(i)j

= –,Xcentered(i,:)X(i,:)Mu(j,:)

donde está la propiedad media de la clase.Mu

Y

Una matriz categórica, matriz de celdas de vectores de caracteres, matriz de caracteres, Vector lógico o un vector numérico con el mismo número de filas que.X Cada fila de representa la clasificación de la fila correspondiente de.YX

Métodos

compactClasificador de análisis discriminante compacto
crossvalClasificador de análisis discriminante de validación cruzada
cvshrinkValidación cruzada de la regularización de discriminante lineal
resubEdgeEl borde de la clasificación por el reenvío
resubLossError de clasificación por reenvío
resubMarginLos márgenes de clasificación por reenvío
resubPredictPredecir las etiquetas de reenvío del modelo de clasificación de análisis discriminante

Métodos heredados

edgeLa arista de clasificación
logPRegistre la densidad de probabilidad incondicional para el clasificador de análisis discriminante
lossError de clasificación
mahalLa distancia de Mahalanobis a la clase significa
marginLos márgenes de clasificación
nLinearCoeffsNúmero de coeficientes lineales distintos de cero
predictPredecir etiquetas mediante el modelo de clasificación de análisis discriminante

Semántica de copia

Valor. Para saber cómo afectan las clases de valor a las operaciones de copia, consulte.Copiar objetos (MATLAB)

Ejemplos

contraer todo

Cargue el conjunto de datos de iris de Fisher.

load fisheriris

Entrenar un modelo de análisis discriminante utilizando todo el conjunto de datos.

Mdl = fitcdiscr(meas,species)
Mdl =    ClassificationDiscriminant              ResponseName: 'Y'     CategoricalPredictors: []                ClassNames: {'setosa'  'versicolor'  'virginica'}            ScoreTransform: 'none'           NumObservations: 150               DiscrimType: 'linear'                        Mu: [3x4 double]                    Coeffs: [3x3 struct]     Properties, Methods  

es un modelo.MdlClassificationDiscriminant Para acceder a sus propiedades, utilice la notación de puntos. Por ejemplo, mostrar los medios del grupo para cada predictor.

Mdl.Mu
ans = 3×4

    5.0060    3.4280    1.4620    0.2460
    5.9360    2.7700    4.2600    1.3260
    6.5880    2.9740    5.5520    2.0260

Predecir etiquetas para nuevas observaciones, pasar y pronosticar datos.MdlPredecir

Más acerca de

expandir todo

Referencias

[1] Guo, Y., T. Hastie, and R. Tibshirani. Regularized linear discriminant analysis and its application in microarrays. Biostatistics, Vol. 8, No. 1, pp. 86–100, 2007.

Capacidades ampliadas

Introducido en R2011b