Discussion :

[flohoho]

Bonjour,

Pour un projet, je dois écrire sur Matlab un programme de classification de données qui doit déterminer la classe d'un jeu de données en fonctions de différents traits. J'ai une matrice de données de 187 lignes, chaque ligne représente un individu, et de 40 colonnes qui représentent les traits de l'individu. Je possède les labels pour chaque individu et je dois proposer un modèle qui permettra de classer efficacement un nouvel individu inconnu dans la bonne catégorie ( dans mon cas, malade ou pas malade).

Je dois utiliser la fonction classify de MATLAB mais je ne comprends pas vraiment ce qu'elle fait exactement.

La commande help me retourne ça:

class = classify(sample,training,group) classifies each row of the data in sample into one of the groups in training. sample and training must be matrices with the same number of columns. group is a grouping variable for training. Its unique values define groups; each element defines the group to which the corresponding row of training belongs. group can be a categorical variable, a numeric vector, a string array, or a cell array of strings.training and group must have the same number of rows. classify treats NaNs or empty strings in group as missing values, and ignores the corresponding rows of training. The output class indicates the group to which each row of sample has been assigned, and is of the same type as group.

Mais ça ne m'éclaire pas vraiment... Je ne comprends pas ce que sont les differents inputs et les exemples fournis dans la documentation MATLAB ne sont pas vraiment informatifs. Parfois, il passe en paramètre la même matrice pour sample et training, parfois non. Je suis un peu perdu.

Quelqu'un pourrait m'expliquer comment utiliser cette fonction ?

Merci d'avance !

[Jean Dumoncel]

Bonjour,

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

class = classify(sample,training,group)

training est ta matrice 187x40, group est une matrice 187x1 contenant les classes de tes individus (malade ou non malade) et sample doit contenir ton échantillon à tester (par exemple un nouvel individu).

Parfois, il passe en paramètre la même matrice pour sample et training, parfois non.

Ou as-tu vu cela? Je ne vois qu'un seul exemple dans la doc et sample et training sont différents.

[flohoho]

Bonjour,

J'ai lu ça ici :

http://www.mathworks.ch/help/stats/e...ification.html

c'est pour ça que j'étais confuse.

J'ai du coup maintenant une nouvelle question. Avec cette fonction, je ne souhaite que garder une partie des traits (colonnes) qui sont les plus informatifs, je pensais donc écrire quelque chose comme ça

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

new_data = data( :, [1 5 37 28])

avec 1 5 37 28, les index des traits que je veux garder. Mais du coup, ça veut dire que je souhaite faire la classification avec plus de 2 traits. Existe-t-il un moyen de faire un graph comme dans l'exemple ici :

http://www.mathworks.ch/help/stats/classify.html

Le graphe appelé "classification with Fisher training data"

Merci beaucoup pour votre réponse !

[Jean Dumoncel]

Bonjour,

J'ai lu ça ici :

http://www.mathworks.ch/help/stats/e...ification.html

c'est pour ça que j'étais confuse.

Cela permet de tester le classifieur avant de passer à un spécimen de classe inconnue.

J'ai du coup maintenant une nouvelle question. Avec cette fonction, je ne souhaite que garder une partie des traits (colonnes) qui sont les plus informatifs, je pensais donc écrire quelque chose comme ça

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

new_data = data( :, [1 5 37 28])

avec 1 5 37 28, les index des traits que je veux garder. Mais du coup, ça veut dire que je souhaite faire la classification avec plus de 2 traits. Existe-t-il un moyen de faire un graph comme dans l'exemple ici :

http://www.mathworks.ch/help/stats/classify.html

Le graph appellé "classification with Fisher training data"

C'est un graphe en deux dimensions et tu en a cinq...
Pour tracer sur un graphe, il faut soit réduire le nombre de dimension (par exemple à l'aide d'une ACP (analyse en composante principale) soit utiliser des méthodes style mds (multi-dimensional scaling)