实例介绍
【实例简介】
python实现对Iris数据和Sonar数据的fisher线性判别分类
【实例截图】
【核心代码】
def Fisher(X1,X2,n,c): | |
# 计算三类样本的类均值向量 | |
m1=(np.mean(X1,axis = 0)) | |
m2=(np.mean(X2,axis = 0)) | |
m1 = m1.reshape(n,1) # 将行向量转换为列向量以便于计算 | |
m2 = m2.reshape(n,1) | |
#计算类内离散度矩阵 | |
S1 = np.zeros((n,n)) # m1 = within_class_scatter_matrix1 | |
S2 = np.zeros((n,n)) # m2 = within_class_scatter_matrix2 | |
if c == 0: # 第一种情况 | |
for i in range(0,96): | |
S1 = (X1[i].reshape(n,1)-m1).dot((X1[i].reshape(n,1)-m1).T) | |
for i in range(0,111): | |
S2 = (X2[i].reshape(n,1)-m2).dot((X2[i].reshape(n,1)-m2).T) | |
if c == 1: | |
for i in range(0,97): | |
S1 = (X1[i].reshape(n,1)-m1).dot((X1[i].reshape(n,1)-m1).T) | |
for i in range(0,110): | |
S2 = (X2[i].reshape(n,1)-m2).dot((X2[i].reshape(n,1)-m2).T) | |
#计算总类内离散度矩阵S_w | |
S_w = S1 S2 | |
#计算最优投影方向 W | |
W = np.linalg.inv(S_w).dot(m1 - m2) | |
#在投影后的一维空间求两类的均值 | |
m_1 = (W.T).dot(m1) | |
m_2 = (W.T).dot(m2) | |
#计算分类阈值 W0(为一个列向量) | |
W0 = -0.5*(m_1 m_2) | |
return W,W0 | |
标签: python fisher线性判别 LDA 模式识别 机器学习
小贴士
感谢您为本站写下的评论,您的评论对其它用户来说具有重要的参考价值,所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字,对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙,所以请不要反馈意义不大的重复字符,也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明,或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦,又没人会搭理,于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享,对搜索内容的合法性不具有预见性、识别性、控制性,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论平台是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定,若资源存在侵权或相关问题请联系本站客服人员,点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论