predict

predict labels using discriminant analysis classification model

expand all in page

句法

标签=预测（MDL，，，，X）

[[标签，，，，分数，，，，成本] =预测（MDL，，，，X）

Description

标签=预测（MDL，，，，X）returns a vector of predicted class labels for the predictor data in the table or matrixX，基于训练有素的判别分析分类模型MDL。

[[标签，，，，分数，，，，成本] =预测（MDL，，，，X）也返回：

一个矩阵classification scores (分数）在dicating the likelihood that a label comes from a particular class. For discriminant analysis, scores are后概率。
一个矩阵expected classification cost（（成本）。对于每个观察X，，，，the predicted class label corresponds to the minimum expected classification cost among all classes.

输入参数

expand all

`MDL`-判别分析分类模型
`ClassificationDiscriminant`模型对象|`CompactClassificationDiscriminant`模型对象

判别分析分类模型，指定为ClassificationDiscriminantorCompactClassificationDiscriminant返回的模型对象fitcdiscr。

`X`-预测数据要分类
数字矩阵|桌子

预测数据要分类，指定为数字矩阵或表。

每一行的Xcorresponds to one observation, and each column corresponds to one variable. All predictor variables inX一定是numeric vectors.

For a numeric matrix, the variables that compose the columns ofX必须具有与训练的预测变量相同的顺序MDL。
对于表格：
- predict除了字符矢量的细胞金宝app阵列以外，不支持多列变量和细胞阵列。
- 如果您训练有素MDL使用表（例如，tbl），，，，then all predictor variables inX必须具有与受过训练的变量名称和数据类型相同的变量MDL（（stored inmdl.predictictornames）。However, the column order ofX不需要对应于tbl。tblandXcan contain additional variables (response variables, observation weights, etc.), butpredict忽略它们。
- 如果您训练有素MDLusing a numeric matrix, then the predictor names inmdl.predictictornames以及相应的预测变量名称X必须相同。要在培训期间指定预测指标，请参见predictorNames名称值对参数fitcdiscr。Xcan contain additional variables (response variables, observation weights, etc.), butpredict忽略它们。

Data Types:桌子|double|single

Output Arguments

expand all

`标签`-预测的类标签
分类阵列|字符阵列|逻辑向量|数字值的向量|字符向量的单元格数

预测的类标签,返回categorical or character array, logical or numeric vector, or cell array of character vectors.

标签：

Is the same data type as the observed class labels (y）训练MDL。（该软件将字符串阵列视为字符向量的单元格数组。）
长度等于行的数量X。

`分数`- 预测的课程后概率
数字矩阵

predicted class后概率,返回数字矩阵of sizen-by-k。n是the number of observations (rows) inX，和k是the number of classes (inmdl.classnames）。分数（（一世，，，，j）是the posterior probability that observation一世在X是of classj在mdl.classnames。

`成本`-Expected classification costs
数字矩阵

Expected classification costs，作为大小的矩阵返回n-by-k。n是the number of observations (rows) inX，和k是the number of classes (inmdl.classnames）。费用（i，j）是the cost of classifying row一世ofX作为课堂j在mdl.classnames。

Examples

expand all

predict Class Labels Using Discriminant Analysis Model

打开生活的脚本

加载Fisher的虹膜数据集。Determine the sample size.

加载渔业n =尺寸（MES，1）;

partition the data into training and test sets. Hold out 10% of the data for testing.

RNG（1）;% For reproducibilitycvp = cvpartition（n，'Holdout'，0.1）;idxtrn =训练（CVP）;％培训套件指数idxtest = test（CVP）;% Test set indices

Store the training data in a table.

tbltrn = array2table（MES（idxtrn，:)）;tbltrn.y =物种（idxtrn）;

train a discriminant analysis model using the training set and default options.

mdl = fitcdiscr（tbltrn，'y'）；

预测测试集的标签。你训练了MDLusing a table of data, but you can predict labels using a matrix.

标签s = predict(Mdl,meas(idxTest,:));

Construct a confusion matrix for the test set.

confusionchart(species(idxTest),labels);

MDLmisclassifies one versicolor iris as virginica in the test set.

plot Class Posterior Probability Regions

打开生活的脚本

加载Fisher的虹膜数据集。考虑仅使用花瓣长度和宽度训练。

加载渔业x = meas（：，3：4）;

使用整个数据集训练二次判别分析模型。

MDL=fitcdiscr（（X，，，，species,'DiscrimType'，，，，'quadratic'）；

定义观察到的预测器空间中的值网格。预测网格中每个实例的后验概率。

xmax = max（x）;xmin = min（x）;d = 0.01;[x1grid，x2grid] = meshgrid（xmin（1）：d：xmax（1），xmin（2）：d：xmax（2））;[〜，得分] =预测（mdl，[x1grid（:)，x2grid（:)]）;mdl.classnames

ans =3x1单元阵列{'setosa'} {'versicolor'} {'virginica'}

分数是类后验概率的矩阵。这些列对应于mdl.classnames。例如，得分（J，1）是the posterior probability that observationj是a setosa iris.

为网格中的每个观察结果绘制versicolor分类的后验概率，并绘制训练数据。

数字;CONTOURF（X1Grid，X2Grid，Reshape（得分（：，2），size（x1Grid，1），size（x1Grid，2）））;h =配色栏;卡克西斯（[0 1]）;结肠jet; holdongScatter（x（：：，1），x（：，2），物种，，，'mcy'，，，，'.x+'）；axistighttitle(“ versicolor的后概率”）；抓住离开

后概率区域暴露了决策边界的一部分。

更多关于

expand all

posterior Probability

the posterior probability that a pointz属于阶级j是先前概率和多元正常密度的乘积。多元正常的密度函数，平均μ_jand covariance Σ_j在某个时候z是

$p （（ X | k ） = \frac{1}{{（（ 2 π | Σ_{k} | ）}^{1 / 2}} \exp （（ - \frac{1}{2} {（（ X - μ_{k} ）}^{t} Σ_{k}^{- 1} （（ X - μ_{k} ）），，，，$

where $| Σ_{k} |$ 是the determinant of Σ_k，和 $Σ_{k}^{- 1}$ 是反矩阵。

Letp（（k）represent the prior probability of classk。then the posterior probability that an observationX是of classk是

$\hat{p} （（ k | X ） = \frac{p （（ X | k ） p （（ k ）}{p （（ X ）} ，，，，$

wherep（（X）是a normalization constant, the sum overkofp（（X|k）p（（k）。

prior Probability

先前的概率是三个选择之一：

'uniform'-the prior probability of classk是one over the total number of classes.
'empirical'-the prior probability of classk是the number of training samples of classk除以培训样本的总数。
习惯 - 课程的先验概率k是thek元素事先的vector. Seefitcdiscr。

After creating a classification model (MDL）您可以使用点表示法设置先验：

mdl.prior = v;

wherev是代表每个元素发生频率的正元素的向量。设置新的先验时，您无需重新训练分类器。

Cost

在Cost。

predicted Class Label

predict分类以最大程度地减少预期的分类成本：

$\hat{y} = \underset{y = 1 ，，，，。。。，，，， k}{\arg \min} \sum_{k = 1}^{k} \hat{p} （（ k | X ） C （（ y | k ），，，，$

where

$\hat{y}$ 是the predicted classification.
k是类的数量。
$\hat{p} （（ k | X ）$ 是theposterior probabilityof classkfor observationX。
$C （（ y | k ）$ 是the成本of classifying an observation asy当它的真实班级是k。

Extended Capabilities

高阵列
用比在内存中拟合更多的行的数组计算。

此功能完全支持高阵列。金宝app有关更多信息，请参阅高阵列（（MATLAB).

C/C++ Code Generation
使用MATLAB®CODER™生成C和C ++代码。

Usage notes and limitations:

利用saveLearnerForCoder，，，，加载LearnerForCoder，和codegen为生成代码predictfunction. Save a trained model by usingsaveLearnerForCoder。Define an entry-point function that loads the saved model by using加载LearnerForCoderand calls thepredictfunction. Then usecodegen为入口点函数生成代码。

this table contains notes about the arguments ofpredict。Arguments not included in this table are fully supported.

Argument	注释和限制
`MDL`	For the usage notes and limitations of the model object, see代码生成of the`CompactClassificationDiscriminant`object.
`X`	必须是单精度或双重矩阵，并且可以是可变大小的。但是，在`X`一定是`numel(Mdl.PredictorNames)`。 Rows and columns must correspond to observations and predictors, respectively.

有关更多信息，请参阅Introduction to Code Generation。

也可以看看

话题

Discriminant Analysis Classification

predict

句法

Description

输入参数

`MDL`-判别分析分类模型
`ClassificationDiscriminant`模型对象|`CompactClassificationDiscriminant`模型对象

`X`-预测数据要分类
数字矩阵|桌子

Output Arguments

`标签`-预测的类标签
分类阵列|字符阵列|逻辑向量|数字值的向量|字符向量的单元格数

`分数`- 预测的课程后概率
数字矩阵

`成本`-Expected classification costs
数字矩阵

Examples

predict Class Labels Using Discriminant Analysis Model

plot Class Posterior Probability Regions

更多关于

posterior Probability

prior Probability

Cost

predicted Class Label

Extended Capabilities

高阵列
用比在内存中拟合更多的行的数组计算。

C/C++ Code Generation
使用MATLAB®CODER™生成C和C ++代码。

也可以看看

话题

在R2011b中引入

统计和机器学习工具箱文档

金宝app

try MATLAB, Simulink, and Other Products

predict

句法

Description

输入参数

MDL-判别分析分类模型ClassificationDiscriminant模型对象|CompactClassificationDiscriminant模型对象

X-预测数据要分类数字矩阵|桌子

Output Arguments

标签-预测的类标签分类阵列|字符阵列|逻辑向量|数字值的向量|字符向量的单元格数

分数- 预测的课程后概率数字矩阵

成本-Expected classification costs数字矩阵

Examples

predict Class Labels Using Discriminant Analysis Model

plot Class Posterior Probability Regions

更多关于

posterior Probability

prior Probability

Cost

predicted Class Label

Extended Capabilities

高阵列用比在内存中拟合更多的行的数组计算。

C/C++ Code Generation使用MATLAB®CODER™生成C和C ++代码。

也可以看看

话题

在R2011b中引入

统计和机器学习工具箱文档

金宝app

try MATLAB, Simulink, and Other Products

`MDL`-判别分析分类模型
`ClassificationDiscriminant`模型对象|`CompactClassificationDiscriminant`模型对象

`X`-预测数据要分类
数字矩阵|桌子

`标签`-预测的类标签
分类阵列|字符阵列|逻辑向量|数字值的向量|字符向量的单元格数

`分数`- 预测的课程后概率
数字矩阵

`成本`-Expected classification costs
数字矩阵

高阵列
用比在内存中拟合更多的行的数组计算。

C/C++ Code Generation
使用MATLAB®CODER™生成C和C ++代码。