classify op• Datenarten: table × matrix → table
• Aufruf: import fullseye as fs; fs.ledger.fisher_lda_score(model, X) -> 'Dict[str, object]' (die Implementierung direkt: import cropweed; cropweed.fisher_lda_score(model, X) -> 'Dict[str, object]'; aus dem Register: opssegmentation.get("fisher_lda_score"))
Merkmale mit einer durch fisher_lda_fit angepassten Diskriminante bewerten (score > 0 bedeutet Klasse 1).
model ist das Ergebnis von fisher_lda_fit; X sind (N, D) Merkmale (auch das X eines dict). Die Standardisierung nutzt Mittel und Maßstab aus dem Training. Rückgabe: score (N), label (0/1; ein Score von genau 0 ist Klasse 0, eine festgelegte Regel), margin (|score| / ‖w‖ = Abstand zur Grenze im standardisierten Raum), n1 (Anzahl als Klasse 1 beurteilt). Leere Eingabe, abweichende Spaltenzahl, nicht endliche Werte und ein model, das keine angepasste Diskriminante ist, werden mit ValueError abgelehnt.
• Leitfaden zur Familie halcon_segmentation
• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).
• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.
• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.
• poc_weed_rice_ratio — py -3.11 examples/poc_weed_rice_ratio.py
table als Eingabe)classify)class_2dim_sup · class_2dim_unsup · learn_ndim_norm · class_ndim_norm · classify_image_class_lut · fisher_lda_fit
*Provenance: cropweed.py — SEGMENTATION Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.