判別分析的MATLAB實現案例

% 讀取 examp10_ 中資料，進行距離判別

讀取資料

% 讀取檔案 examp10_ 的第 1 個工作表中 c2:f51 範圍的資料，即全部樣本資料，

包括未判企業

sample = xlsread('examp10_','','c2:f51');

% 讀取檔案 examp10_ 的第 1 個工作表中 c2:f47 範圍的資料，即已知組別的樣本資料，

training = xlsread('examp10_','','c2:f47');

% 讀取檔案 examp10_ 的第 1 個工作表中 b2:b47 範圍的資料，即樣本的分組資訊資料，

group = xlsread('examp10_','','b2:b47');

obs = [1 : 50]';

% 企業的編號

距離判別

% 距離判別，判別函式型別為 mahalanobis，返回判別結果向量 c 和誤判概率 err

[c,err] = classify(sample,training,group,'mahalanobis');

[obs, c]

% 檢視判別結果

err% 檢視誤判概率

% 載入中資料，進行貝葉斯判別

載入資料load fisheriris

% 把檔案中資料匯入 matlab 工作空間

檢視資料head0 = ;

% 設定表頭

[head0; num2cell([[1:150]', meas]), species]

% 以元胞陣列形式檢視資料

貝葉斯判別

% 用 meas 和 species 作為訓練樣本，建立乙個樸素貝葉斯分類器物件

objbayes objbayes = species);

% 利用所建立的樸素貝葉斯分類器物件對訓練樣本進行判別，返回判別結果 pre0，pre0 也是字串元胞向量

pre0 =

% 利用 confusionmat 函式，並根據 species 和 pre0 建立混淆矩陣（包含總的分類資訊的矩陣）

[clmat, order] = confusionmat(species, pre0);

% 以元胞陣列形式檢視混淆矩陣

[[,order'];order, num2cell(clmat)]

% 檢視誤判樣品編號 gindex1 = grp2idx(pre0);

% 根據分組變數 pre0 生成乙個索引向量 gindex1 gindex2 = grp2idx(species);

% 根據分組變數 species 生成乙個索引向量 gindex2 errid = find(gindex1 ~= gindex2)

% 通過對比兩個索引向量，返回誤判樣品的觀測序號向量

% 檢視誤判樣品的誤判情況 head1 = ;

% 設定表頭

% 用 num2cell 函式將誤判樣品的觀測序號向量 errid 轉為元胞向量，然後以元胞陣列形式檢視誤判結果

[head1; num2cell(errid), species(errid), pre0(errid)]

% 對未知類別樣品進行判別

% 定義未判樣品觀測值矩陣 x

x = [5.8 2.7 1.

8 0.73 5.6 3.

1 3.8 1.8 6.

1 2.5 4.7 1.

1 6.1 2.6 5.

7 1.9 5.1 3.

1 6.5 0.62 5.

8 3.7 3.9 0.

13 5.7 2.7 1.

1 0.12 6.4 3.

2 2.4 1.6 6.

7 3 1.9 1.1 6.

8 3.5 7.9 1 ];

% 利用所建立的樸素貝葉斯分類器物件對未判樣品進行判別，返回判別結果 pre1，pre1 也是字串元胞向量

pre1 =

% 載入中資料，進行 fisher 判別

載入資料load fisheriris

% 把檔案中資料匯入 matlab 工作空間

待判樣品

% 定義待判樣品觀測值矩陣 x

x = [5.8 2.7 1.8 0.73 5.6 3.1 3.8 1.8

6.1 6.1 5.1 5.8 5.7 6.4 6.7 6.8 ];

2.5 2.6 3.1 3.7 2.7 3.2 3 3.5

4.7 5.7 6.5 3.9 1.1 2.4 1.9 7.9

1.1 1.9 0.62 0.13 0.12 1.6 1.1 1

fisher 判別

%利用 fisher 函式進行判別，返回各種結果（見 fisher 函式的注釋） [outclass,tabcan,tabl,tabcon,tabm,tabg] = fisher(x,meas,species)

繪製兩個判別式得分的散點圖

% 利用 fisher 函式進行判別，返回各種結果，其中 ts 為判別式得分 [outclass,tabcan,tabl,tabcon,tabm,tabg,ts] = fisher(x,meas,species);

% 提取各類的判別式得分 ts1 = ts(ts(:,1) == 1,:);

% setosa 類的判別式得分 ts2 = ts(ts(:,1) == 2,:);

% versicolor 類的判別式得分 ts3 = ts(ts(:,1) == 3,:);

% virginica 類的判別式得分 plot(ts1(:,2),ts1(:,3),'ko')

% setosa 類的判別式得分的散點圖 hold on plot(ts2(:,2),ts2(:,3),'k*')

% versicolor 類的判別式得分的散點圖 plot(ts3(:,2),ts3(:,3),'kp')

% virginica 類的判別式得分的散點圖 legend('setosa 類','versicolor 類','virginica 類');

%加標註框 xlabel('第一判別式得分');

%給 x 軸加標籤 ylabel('第二判別式得分');

%給 y 軸加標籤

只用乙個判別式進行 fisher 判別

% 令 fisher 函式的第 4 個輸入為 0.5，就可以只用乙個判別式進行判別 [outclass,tabcan,tabl,tabcon,tabm,tabg] = fisher(x,meas,species,0.5)

function [outclass,tabcan,tabl,tabcon,tabm,tabg,trainscore]

= fisher(sampledata,training,group,contri)

%fisher 判別分析.

% class = fisher(sampledata,training,group) 根據訓練樣本 training 構造判別式，

% 利用所有判別式對待判樣品 sampledata 進行判別. sampledata 和 training 是具有相同

% 列數的矩陣，它們的每一行對應乙個觀測，每一列對應乙個變數. group 是 training 對

應的分組變數，它的每乙個元素定義了 training 中相應觀測所屬的類. group 可以是乙個分類變數，數值向量，字串陣列或字串元胞陣列. training 和 group 必須具有相同的行數.

fisher 函式把 group 中的 nan 或空字串作為缺失資料，從而忽略 training 中相應的觀測. class 中的每個元素指定了 sampledata 中的相應觀測所判歸的類,它和 group 具有相同的資料型別.

class = fisher(sampledata,training,group,contri) 根據累積貢獻率不低於

contri，確定需要使用的判別式個數，預設情況下，使用所有判別式進行判別. contri 是乙個在(0, 1]區間內取值的標量，用來指定累積貢獻率的下限.

[class, tabcan] = fisher(...)以**形式返回所用判別式的係數向量，若 contri 取值為 1，則返回所有判別式的係數向量. tabcan 是乙個元胞陣列，形如

'variable' 'can1' 'can2'

'x1' [-0.2087] [ 0.0065]

'x2' [-0.3862] [ 0.5866]

'x3' [ 0.5540] [-0.2526]

'x4' [ 0.7074] [ 0.7695]

判別分析的MATLAB實現案例

判別分析實驗報告

基於聚類分析和判別分析的學業質量評價研究

最優化方法的matlab實現

判別分析的MATLAB實現案例

判別分析實驗報告

基於聚類分析和判別分析的學業質量評價研究

最優化方法的matlab實現

相關推薦