fisher_lda_fit — SEGMENTATION `classify` op

• 데이터 종류: matrix × signal → table

• 호출: import fullseye as fs; fs.ledger.fisher_lda_fit(X, y, *, ridge: 'float' = 1e-06, prior1: 'Optional[float]' = None) -> 'Dict[str, object]'(구현을 직접 호출하려면 import cropweed; cropweed.fisher_lda_fit(X, y, *, ridge: 'float' = 1e-06, prior1: 'Optional[float]' = None) -> 'Dict[str, object]', 원장에서 가져오려면 opssegmentation.get("fisher_lda_fit"))

사용법

2클래스 Fisher 선형 판별을 학습한다(닫힌 형태, 반복 없음).

X는 (N, D) 특징(superpixel_color_texture_features가 돌려준 dict도 그대로 넘길 수 있다), y는 0 / 1의 N개 클래스. 특징을 전체 평균과 표준편차로 표준화하고(분산 0인 열은 척도 1로 두고 constant_columns에 기록), 클래스 내 공통 공분산 Σ = (S₀ + S₁)/(N − 2)에 ridge × tr(Σ)/D를 더한 뒤 w = Σ⁻¹(μ₁ − μ₀). 판정의 절편은 두 등분산 정규분포의 로그 우도비 w·z − w·(μ₀ + μ₁)/2 + log(π₁/π₀)가 0이 되는 점(prior1 = π₁, 기본은 학습 데이터의 비율).

반환: w·bias(score = z·w + bias, 양이면 클래스 1)·mean·scale·mu0·mu1· fisher_ratio(J = (w·Δμ)²/(wᵀΣw). 분리의 세기)·n0·n1·prior1·constant_columns·cond. 빈 입력·y가 0/1이 아님·클래스마다 2개 미만·N ≤ 2·공분산의 조건수가 1e12를 넘음(방향이 정해지지 않음)· 두 클래스의 평균이 같을 때(J = 0)는 ValueError로 거부한다.

자세한 사용 가이드

• halcon_segmentation 패밀리 가이드

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• poc_weed_rice_ratio — py -3.11 examples/poc_weed_rice_ratio.py

타입이 이어지는 다음 연산자(`table` 를 입력으로 받는 것)

class_ndim_norm · fisher_lda_score

같은 카테고리(`classify`)

class_2dim_sup · class_2dim_unsup · learn_ndim_norm · class_ndim_norm · classify_image_class_lut · fisher_lda_score

*Provenance: cropweed.py — SEGMENTATION 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

fisher_lda_fit — SEGMENTATION classify op

사용법