Линейный дискриминантный анализ: коды MATLAB, R и Python - все, что вам нужно сделать, это просто подготовить…

Я выпускаю коды MATLAB, R и Python линейного дискриминантного анализа (LDA). Они очень удобны в использовании. Вы готовите набор данных и просто запускаете код! Затем можно получить результаты LDA и прогнозирования для новых образцов. Очень просто и легко!

Вы можете купить каждый код по указанным ниже URL.

MATLAB

Https://gum.co/uVtRo
Загрузите дополнительный zip-файл (он бесплатный) по указанному ниже URL-адресу, чтобы запустить код LDA.
http: //univprofblog.html.xdomain .jp / code / MATLAB_scripts_functions.zip

R

Https://gum.co/bZPL
Загрузите дополнительный zip-файл (это бесплатно) по указанному ниже URL-адресу, чтобы запустить код LDA.
http: //univprofblog.html.xdomain .jp / code / R_scripts_functions.zip

Python

Https://gum.co/JHFt
Загрузите дополнительный zip-файл (он бесплатный) по указанному ниже URL-адресу, чтобы запустить код LDA.
http: //univprofblog.html.xdomain .jp / code / supportfunctions.zip

Процедура LDA в кодах MATLAB, R и Python

Чтобы выполнить соответствующий LDA, коды MATLAB, R и Python следуют приведенной ниже процедуре после загрузки набора данных.

1. Объясняющая переменная автомасштабирования (X)
Автомасштабирование означает центрирование и масштабирование. Среднее значение каждой переменной становится равным нулю путем вычитания среднего значения каждой переменной из переменной при центрировании. Стандартное отклонение каждой переменной становится единицей путем деления стандартного отклонения каждой переменной от переменной при масштабировании.

2. Построить модель LDA

3. Вычислить матрицу неточностей между фактическим Y и рассчитанным Y
При необходимости из каждой матрицы неточностей можно рассчитать степень точности, скорость обнаружения, точность и т. Д.

4. При прогнозировании вычтите среднее значение при автоматическом вызове X в 1. из X-переменных, а затем разделите X-переменные на стандартное отклонение при автоматическом вызове X в 1. для новых выборок

5. Оценить Y на основе модели LDA в 2.