烟台网站建设团队,重庆知名做网站的公司,seo优化网站的手段,做网页到哪个网站找素材1. 判别分析简介 判别分析#xff08;Discriminant Analysis#xff09; 是一种统计方法#xff0c;用于在已知分类的样本中构建分类器#xff0c;并根据特征变量对未知类别的样本进行分类。常见的判别分析方法包括线性判别分析#xff08;Linear Discriminant Analysis, …1. 判别分析简介 判别分析Discriminant Analysis 是一种统计方法用于在已知分类的样本中构建分类器并根据特征变量对未知类别的样本进行分类。常见的判别分析方法包括线性判别分析Linear Discriminant Analysis, LDA 和 二次判别分析Quadratic Discriminant Analysis, QDA。
2. 判别分析原理
2.1 线性判别分析LDA
线性判别分析假设每个类别的数据在特征空间中服从高斯分布并且各类别共享相同的协方差矩阵。目标是找到一个投影方向使得投影后不同类别的样本在该方向上的投影值具有最大的可分性。判别函数为线性函数 δ k ( x ) x T Σ − 1 μ k − 1 2 μ k T Σ − 1 μ k log ( π k ) \delta_k(x) x^T \Sigma^{-1} \mu_k - \frac{1}{2} \mu_k^T \Sigma^{-1} \mu_k \log(\pi_k) δk(x)xTΣ−1μk−21μkTΣ−1μklog(πk) 其中 μ k \mu_k μk 是第 k k k 类的均值向量 Σ \Sigma Σ 是协方差矩阵 π k \pi_k πk 是第 k k k 类的先验概率。
二次判别分析QDA 二次判别分析不假设各类别的协方差矩阵相同因此判别函数为二次函数。判别函数为: δ k ( x ) − 1 2 log ∣ Σ k ∣ − 1 2 ( x − μ k ) T Σ k − 1 ( x − μ k ) log ( π k ) \delta_k(x) -\frac{1}{2} \log|\Sigma_k| - \frac{1}{2} (x - \mu_k)^T \Sigma_k^{-1} (x - \mu_k) \log(\pi_k) δk(x)−21log∣Σk∣−21(x−μk)TΣk−1(x−μk)log(πk)其中 Σ k \Sigma_k Σk 是第 k k k 类的协方差矩阵。
3. 案例分析
3.1 数据集介绍
我们将生成一个包含两个类别Class 1 和 Class 2的数据集每个类别各有50个样本。每个样本包含两个特征Feature 1 和 Feature 2。
3.2 数据生成
我们使用mvnrnd函数生成多元正态分布的随机数可以通过调整mu和sigmal来改变数据的混乱程度。
% 生成数据
rng(1); % 设置随机种子以保证可重复性% 类别1的数据
mu1 [2, 3];
sigma1 [2, 1.5; 1.5, 2];
data1 mvnrnd(mu1, sigma1, 50);% 类别2的数据
mu2 [5, 6];
sigma2 [2, -1.5; -1.5, 2];
data2 mvnrnd(mu2, sigma2, 50);% 合并数据
data [data1; data2];
labels [ones(50, 1); ones(50, 1) * 2];% 可视化数据
figure;
scatter(data1(:,1), data1(:,2), r, filled);
hold on;
scatter(data2(:,1), data2(:,2), b, filled);
xlabel(Feature 1);
ylabel(Feature 2);
legend(Class 1, Class 2);
title(Generated Data for Discriminant Analysis);
hold off;生成数据以后绘制数据的散点图如下 3.3 线性判别分析模型
我们将使用线性判别分析LDA对数据进行分类
% 打乱数据
randIndex randperm(length(labels));
data data(randIndex, :);
labels labels(randIndex, :);% 拆分训练集和测试集
cv cvpartition(labels, HoldOut, 0.3);
trainData data(training(cv), :);
trainLabels labels(training(cv));
testData data(test(cv), :);
testLabels labels(test(cv));% 训练QDA模型
qdaModel fitcdiscr(trainData, trainLabels, DiscrimType, quadratic);% 预测
predictedLabels predict(qdaModel, testData);% 计算准确率
accuracy sum(predictedLabels testLabels) / length(testLabels);
fprintf(QDA Classification Accuracy: %.2f%%\n, accuracy * 100);% 可视化判别边界
figure;
gscatter(data(:,1), data(:,2), labels, rb, oo);
hold on;% 绘制决策边界
xrange linspace(min(data(:,1)), max(data(:,1)), 100);
yrange linspace(min(data(:,2)), max(data(:,2)), 100);
[x, y] meshgrid(xrange, yrange);
xy [x(:) y(:)];
predGrid predict(qdaModel, xy);
predGrid reshape(predGrid, size(x));contour(x, y, predGrid, [1.5 1.5], k, LineWidth, 2);
xlabel(Feature 1);
ylabel(Feature 2);
legend(Class 1, Class 2, Decision Boundary);
title(QDA Decision Boundary);
hold off;得到线性判别分析模型分类的准确率为93.33%。 分类结果可视化如下 3.4 二次判别分析模型
我们将使用二次判别分析QDA对数据进行分类
% 打乱数据
randIndex randperm(length(labels));
data data(randIndex, :);
labels labels(randIndex, :);% 拆分训练集和测试集
cv cvpartition(labels, HoldOut, 0.3);
trainData data(training(cv), :);
trainLabels labels(training(cv));
testData data(test(cv), :);
testLabels labels(test(cv));% 训练QDA模型
qdaModel fitcdiscr(trainData, trainLabels, DiscrimType, quadratic);% 预测
predictedLabels predict(qdaModel, testData);% 计算准确率
accuracy sum(predictedLabels testLabels) / length(testLabels);
fprintf(QDA Classification Accuracy: %.2f%%\n, accuracy * 100);% 可视化判别边界
figure;
gscatter(data(:,1), data(:,2), labels, rb, oo);
hold on;% 绘制决策边界
xrange linspace(min(data(:,1)), max(data(:,1)), 100);
yrange linspace(min(data(:,2)), max(data(:,2)), 100);
[x, y] meshgrid(xrange, yrange);
xy [x(:) y(:)];
predGrid predict(qdaModel, xy);
predGrid reshape(predGrid, size(x));contour(x, y, predGrid, [1.5 1.5], k, LineWidth, 2);
xlabel(Feature 1);
ylabel(Feature 2);
legend(Class 1, Class 2, Decision Boundary);
title(QDA Decision Boundary);
hold off;得到二次判别分析模型分类的准确率为96.67%。 分类结果可视化如下 4. 总结 判别分析是一种有效的分类方法通过对特征空间中数据分布的建模可以实现对未知样本的分类。本文通过一个具体的案例展示了如何生成数据并使用MATLAB实现线性判别分析模型和二次判别分模型并进行了分类准确率的计算和决策边界的可视化。
