判别分析的MATLAB实现案例讲课讲稿

1、%-%读取 examp10_01.xls 中数据，进行距离判别%-%*读取数据*% 读取文件 examp10_01.xls 的第 1 个工作表中 C2:F51 范围的数据， 即全部样本数据， 包括未判企业sample = xlsread(examp10_01.xls,C2:F51);% 读取文件 examp10_01.xls 的第 1 个工作表中 C2:F47 范围的数据，即已知组别的样本数据，training = xlsread(examp10_01.xls,C2:F47);% 读取文件 examp10_01.xls 的第 1 个工作表中 B2:B47 范围的数据，即样本的分组信息数据，gr

2、oup = xlsread(examp10_01.xls,B2:B47);obs = 1 : 50;% 企业的编号%*距离判别 *% 距离判别，判别函数类型为mahalanobis，返回判别结果向量C 和误判概率C,err = classify(sample,training,group,mahalanobis);obs, C% 查看判别结果err% 查看误判概率err%-%加载 fisheriris.mat 中数据，进行贝叶斯判别%-%*load fisheriris% 把文件加载数据 *fisheriris.mat 中数据导入MATLAB工作空间%*head0 = Obj, x1, x2,

3、 x3, x4, Class;head0; num2cell(1:150, meas), species查看数据 *% 设置表头% 以元胞数组形式查看数据%*贝叶斯判别 *% 用 meas 和 species 作为训练样本，创建一个朴素贝叶斯分类器对象ObjBayesObjBayes = NaiveBayes.fit(meas, species);% 利用所创建的朴素贝叶斯分类器对象对训练样本进行判别，返回判别结果pre0， pre0也是字符串元胞向量pre0 = ObjBayes.predict(meas);% 利用 confusionmat 函数，并根据 species 和 pre0 创建

4、混淆矩阵 （包含总的分类信息的矩阵）CLMat, order = confusionmat(species, pre0);% 以元胞数组形式查看混淆矩阵From/To,order;order, num2cell(CLMat)% 查看误判样品编号gindex1 = grp2idx(pre0); gindex2 = grp2idx(species);% 根据分组变量pre0 生成一个索引向量gindex1% 根据分组变量species 生成一个索引向量gindex2errid = find(gindex1 = gindex2)% 通过对比两个索引向量，返回误判样品的观测序号向量% 查看误判样品的误

5、判情况head1 = Obj, From, To;% 设置表头% 用num2cell函数将误判样品的观测序号向量errid转为元胞向量， 然后以元胞数组形式查看误判结果head1; num2cell(errid), species(errid), pre0(errid)% 对未知类别样品进行判别% 定义未判样品观测值矩阵 xx = 5.82.71.80.735.63.13.81.86.12.54.71.16.12.65.71.95.13.16.50.625.83.73.90.135.72.71.10.126.43.22.41.66.731.91.16.83.57.91;% 利用所创建的朴素贝叶

6、斯分类器对象对未判样品进行判别，返回判别结果pre1， pre1也是字符串元胞向量pre1 = ObjBayes.predict(x)%-%加载 fisheriris.mat 中数据，进行Fisher%-判别%*load fisheriris% 把文件加载数据 *fisheriris.mat 中数据导入MATLAB工作空间%*待判样品*% 定义待判样品观测值矩阵xx = 5.82.71.80.735.63.13.81.86.12.54.71.16.12.65.71.95.13.16.50.625.83.73.90.135.72.71.10.126.43.22.41.66.731.91.16.8

7、3.57.91;%*Fisher判别 *% 利用fisher函数进行判别，返回各种结果（见fisher函数的注释）outclass,TabCan,TabL,TabCon,TabM,TabG = fisher(x,meas,species)%*绘制两个判别式得分的散点图*% 利用 fisher 函数进行判别，返回各种结果，其中ts 为判别式得分outclass,TabCan,TabL,TabCon,TabM,TabG,ts = fisher(x,meas,species);% 提取各类的判别式得分ts1 = ts(ts(:,1) = 1,:);% setosa类的判别式得分ts2 = ts(ts

8、(:,1) = 2,:);% versicolor 类的判别式得分ts3 = ts(ts(:,1) = 3,:);% virginica 类的判别式得分plot(ts1(:,2),ts1(:,3),ko)% setosa类的判别式得分的散点图hold onplot(ts2(:,2),ts2(:,3),k*)% versicolor 类的判别式得分的散点图plot(ts3(:,2),ts3(:,3),kp)% virginica 类的判别式得分的散点图legend(setosa 类 ,versicolor 类 ,virginica 类 );%加标注框xlabel( 第一判别式得分);%给 X 轴

9、加标签ylabel( 第二判别式得分);%给 Y 轴加标签%*只用一个判别式进行Fisher 判别 *% 令 fisher 函数的第 4 个输入为 0.5，就可以只用一个判别式进行判别outclass,TabCan,TabL,TabCon,TabM,TabG = fisher(x,meas,species,0.5)functionoutclass,TabCan,TabL,TabCon,TabM,TabG,trainscore=fisher(sampledata,training,group,contri)%FISHER判别分析 .%class = fisher(sampledata,train

10、ing,group)根据训练样本training 构造判别式，% 利用所有判别式对待判样品sampledata 进行判别 . sampledata 和 training 是具有相同%列数的矩阵，它们的每一行对应一个观测，每一列对应一个变量. group 是 training 对% 应的分组变量，它的每一个元素定义了training 中相应观测所属的类 . group 可以是一%个分类变量，数值向量，字符串数组或字符串元胞数组. training 和 group 必须具有相同的行数 . fisher 函数把 group 中的 NaN 或空字符串作为缺失数据，从而忽略training% 中相应的观

11、测 . class 中的每个元素指定了 sampledata 中的相应观测所判归的类 ,它和% group 具有相同的数据类型 .%class = fisher(sampledata,training,group,contri)根据累积贡献率不低于contri ，确定需要使用的判别式个数，默认情况下，使用所有判别式进行判别是一个在 (0, 1 区间内取值的标量，用来指定累积贡献率的下限. contri%class, TabCan = fisher(.) 以表格形式返回所用判别式的系数向量，若contri% 取值为 1，则返回所有判别式的系数向量. TabCan 是一个元胞数组，形如%Varia

12、blecan1can2%x1-0.2087 0.0065%x2-0.3862 0.5866%x3 0.5540-0.2526%x4 0.7074 0.7695% class, TabCan, TabL = fisher(.) 以表格形式返回所有特征值，贡献率，累积% 贡献率等 . TabL 是一个元胞数组，形如%EigenvalueDifferenceProportionCumulative%32.191931.90650.99120.9912%0.28540.00881%class, TabCan, TabL, TabCon = fisher(.) 以表格形式返回混淆矩阵（包含总%的分类信息

13、的矩阵）. TabCon 是一个元胞数组，形如%From/Tosetosaversicolorvirginica%setosa5000%versicolor0482%virginica0149%class, TabCan, TabL, TabCon, TabM = fisher(.) 以表格形式返回误判矩阵 .% TabM 是一个元胞数组，形如%ObjFromTo% 71versicolorvirginica% 84versicolorvirginica%134virginicaversicolor% class, TabCan, TabL, TabCon, TabM, TabG = fish

14、er(.) 将所用判别式作用%在各组的组均值上，得到组均值投影矩阵，以表格形式返回这个矩阵. TabG 是一个元胞% 数组，形如%Groupcan1can2%setosa-1.38491.8636%versicolor 0.98921.6081%virginica 1.98521.9443% class, TabCan, TabL, TabCon, TabM, TabG, trainscore = fisher(.) 返回% 训练样品所对应的判别式得分trainscore. trainscore 的第一列为各训练样品原本所% 属类的类序号，第 i+1 列为第 i 个判别式得分 .% Copyr

15、ight 2009 xiezhh.%$Revision: 1.0.0.0 $Date: 2009/10/03 10:40:34 $if nargin 0);nusedgroups = length(nonemptygroups);% 判断是否有空的组if ngroups nusedgroupswarning( 警告 : 有空的组 .);endn,d = size(training);if size(gindex,1) = nerror(错误 : 输入参数大小不匹配，GROUP 与 TRAINING必须具有相同的行数.);elseif isempty(sampledata)sampledata

16、= zeros(0,d,class(sampledata);elseif size(sampledata,2) = derror(错误 : 输入参数大小不匹配， SAMPLEDATA与 TRAINING必须具有相同的列数.);end% 设置 contri 的默认值为1，并限定contri 在 (0, 1 内取值if nargin 1 | contri = 0error(错误 : contri必须是一个在 (0, 1 内取值的标量.);endif any(gsize = 1)error(错误 : TRAINING中的每个组至少应有两个观测.);end% 计算各组的组均值gmeans = NaN(

17、ngroups, d);for k = nonemptygroupsgmeans(k,:) = mean(training(gindex=k,:),1);end% 计算总均值totalmean = mean(training,1);% 计算组内离差平方和矩阵E 和组间离差平方和矩阵E = zeros(d);B=E;for k = nonemptygroupsB% 分别估计各组的组内离差平方和矩阵.Q,Rk = qr(bsxfun(minus,training(gindex=k,:),gmeans(k,:), 0); % 各组的组内离差平方和矩阵： AkHat = Rk*Rk% 判断各组的组内离

18、差平方和矩阵的正定性s = svd(Rk);if any(s = contri);CumContGeCon = CumContGeCon(1);V = V(:, 1:CumContGeCon);% 需要使用的判别式系数矩阵% 以表格形式返回所用判别式的系数向量，若contri 取值为 1，% 则返回所有判别式的系数向量 . TabCan 是一个元胞数组TabCan = cell(d+1, CumContGeCon+1);TabCan(1, 1) = Variable;TabCan(2:end, 1) = strcat(x,cellstr(num2str(1:d);TabCan(1, 2:end

19、) = strcat(can,cellstr(num2str(1:CumContGeCon); TabCan(2:end, 2:end) = num2cell(V);% 将训练样品与待判样品放在一起进行判别m = size(sampledata,1);gv = gmeans*V;stv = sampledata; training*V;nstv = size(stv, 1);message = ;outclass = NaN(nstv, 1);for i = 1:nstvobji = bsxfun(minus,stv(i,:),gv);obji = sum(obji.2, 2);idclass = find(obji = min(obji);if length(idclass) 1idclass = idclass(1);message = 警告 : 出现了一个或多个结;endoutclass(i) = idclass;endwarning(message);trclass = outclass(m+(1:n);%训练样品的判别结果（由类序号构成的向量）outclass = outclass(1:m);%待判样品的判别结果（由类序号构成的向量）outclass = gle