预测使用判别分析模型- MATLAB和Simulink金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

使用判别分析模型进行预测

预测进行分类，以使期望的分类成本最小化:

$\overset{＾}{y} ＝ \underset{y ＝ 1 ， .．. ， K}{参数最小值} \sum_{k ＝ 1}^{K} \overset{＾}{P} （ k | x ） C （ y | k ），$

在哪里

空间X值划分为区域，其中进行分类Y是一个特定的值。区域用直线进行线性判别分析，用圆锥截面(椭圆、双曲线或抛物线)进行二次判别分析。有关这些区域的可视化，请参见创建并可视化判别分析分类器．

后验概率即为一点x属于班级k是产品的先验概率还有多元法向密度。多元正态分布的密度函数μ_k协方差Σ_k在某种程度上x是

$P （ x | k ）＝ \frac{1}{{（ 2 π | Σ_{k} | ）}^{1 / 2}} 经验值（ - \frac{1}{2} {（ x - μ_{k} ）}^{T} Σ_{k}^{- 1} （ x - μ_{k} ）），$

在哪里 $| Σ_{k} |$ 是Σ的行列式吗_k, $Σ_{k}^{- 1}$ 是逆矩阵。

让P（k)表示类的先验概率k．那么后验概率就是一个观测值x是一流的k是

$\overset{＾}{P} （ k | x ）＝ \frac{P （ x | k ） P （ k ）}{P （ x ）} ，$

在哪里P（x)为归一化常数，即对k的P（x|k）P（k）.

先验概率是三种选择之一:

创建分类器之后obj，你可以使用点表示法设置先验:

obj。Prior = v;

在哪里v是正元素的向量，表示每个元素出现的频率。当你设置一个新的先验时，你不需要重新训练分类器。

与判别分析分类相关的成本有两种:每一类的真实错误分类成本和每观察的预期错误分类成本。

成本(i, j)将观测数据分类的成本是多少j如果它真正的阶级是我．默认情况下,成本(i, j) = 1如果我~ = j,成本(i, j) = 0如果我=我．换句话说，成本是0为了正确的分类，和1不正确的分类。

在创建分类器时，您可以设置您喜欢的任何成本矩阵。中传递成本矩阵成本名称-值对fitcdiscr．

在创建分类器之后obj，您可以使用点符号设置自定义成本:

obj。成本＝B;

B方阵的大小是多少K——- - - - - -K当有K类。当你设置一个新的代价时，你不需要重新训练分类器。

假设你有脑袋你想用训练好的鉴别分析分类器分类的观察结果obj．假设你有K类。你把观察结果放入一个矩阵中Xnew每行有一个观察值。命令

[label,score,cost] = predict(obj,Xnew)

在其他输出中，返回一个大小的成本矩阵脑袋——- - - - - -K．成本矩阵的每一行都包含将观测数据分类到每个类别的预期(平均)成本K类。成本(n, k)是

$\sum_{我＝ 1}^{K} \overset{＾}{P} （我 | X n e w （ n ）） C （ k | 我），$

在哪里