基于训练集对数据进行分类

Question

我有一些需要分类的数据。我尝试使用分类功能described here。

我的示例是一个 1 列 382 行的矩阵。

我的训练是一个 1 列 2 行的矩阵。

分组给我带来了问题。我写过：grouping = [a,b]; 其中 a 是一个类别，b 是另一个。

这给了我错误：

Undefined function or variable 'a'.
Error in discrimtrialab (line 89) 
grouping = [a,b];

除此之外，我如何对组进行分类，即。不仅仅是训练中的确切价值？

这是我的代码：

a = -0.09306:0.0001:0.00476;
b = -0.02968:0.0001:0.01484;

%training = groups (odour index)

training = [-0.09306:0.00476; -0.02968:0.01484;];

%grouping variable

group = [a,b]

%classify

 [class, err]  = classify(sample, training, group, 'linear');

 class(a)

（注意-上面有一些处理，但与问题无关）

Answer 1

来自文档：

class=classify(sample,training,group) 对每一行进行分类 样本中的数据到训练中的组之一。 （请参阅分组数据。） 样本和训练必须是具有相同列数的矩阵。 group 是用于训练的分组变量。其独特的价值观定义 团体；每个元素定义对应行所在的组 的培训属于。

即“组”的行数必须与训练相同。从帮助中的示例：

load fisheriris
SL = meas(51:end,1);
SW = meas(51:end,2);
group = species(51:end);

SL 和 SW 是用于训练的 100 x 1 矩阵（对 100 个样本中的每一个样本进行两次不同的测量）。 group 是一个 100 x 1 的字符串单元阵列，指示每个测量值属于哪个物种。它也可以是一个 char 数组或简单的数字列表 (1,2,3)，其中每个数字指的是不同的组，但它必须有 100 行。

例如如果您的训练矩阵是一个 100 x 1 的双精度矩阵，其中前 50 个是属于“a”的值，而后 50 个是属于“b”的值，那么您的组矩阵可能是：

group = [repmat('a',50,1);repmat('b',50,1)];

---

但是，如果您的所有“组”只是 cmets 中所述的非重叠范围：

我想要分类做的是计算出每个数字是否 “样本”是 A 型，即在 -0.04416 +/- 0.0163 范围内，或 B 型， 范围 -0.00914 +/- 0.00742

那么你真的不需要分类。要从样本中提取等于某个值加上或减去某个容差的值：

sample1 = sample(abs(sample-value)<tol);

---

最新评论后的 ETA：“组”可以是一个数字向量，所以如果您有一个训练数据集，您需要根据某个变量的范围进行分组，那么类似（此代码未选中，但基本原则应该是健全的）：

%presume "data" is our training data (381 x 3) and "sample" (n x 2) is the data we want to classify
group = zeros(length(data),1); %empty matrix

% first column is variable for grouping, second + third are data equivalent to the entries in "sample".
training = data(:,2:3);

% find where data(:,1) meets whatever our requirements are and label groups with numbers
group(data(:,1)<3)=1;  % group "1" is wherever first column is below 3
group(data(:,1)>7)=2;  % group "2" is wherever first column is above 7
group(group==0)=NaN; % set any remaining data to NaN

%now we classify "sample" based on "data" which has been split into "training" and "group" variables
class = classify(sample, training, group);