N =案例数量c =类别数量Priors =每个案例的每个案例的先验概率向量目标=每个案例的每个案例的目标标签数据=特征x案例 .
获取每个数据点的目标标签:
T = Targets(:,Cases); % Target labels for each case
计算每个类的平均向量和公共协方差矩阵:
classifier.u = [mean(Data(:,(T(1,:)==1)),2),mean_nan(Data(:,(T(2,:)==1)),2),....,mean_nan(Data(:,(T(2,:)==c)),2]; % Matrix of data means
classifier.invCV = cov(Data');
使用类均值向量和公共协方差矩阵获得判别值:
A1=classifier.u;
B1=classifier.invCV;
D = A1'*B1*Data-0.5*(A1'*B1.*A1')*ones(d,N)+log(Priors(:,Cases));
1 回答
这取决于您用于LDA的配方 . 通过阈值,我假设您指的是决策阈值?在下面的代码中,先验概率会影响决策阈值,因此您可能无法正确设置它们 .
这是一些示例伪代码:
N =案例数量c =类别数量Priors =每个案例的每个案例的先验概率向量目标=每个案例的每个案例的目标标签数据=特征x案例 .
获取每个数据点的目标标签:
计算每个类的平均向量和公共协方差矩阵:
使用类均值向量和公共协方差矩阵获得判别值:
函数将产生c判别值 . 然后将案例分配给具有最大判别值的类 .