fisher_lda_fit — SEGMENTATION `classify` op

• データ種: matrix × signal → table

• 呼び出し: import fullseye as fs; fs.ledger.fisher_lda_fit(X, y, *, ridge: 'float' = 1e-06, prior1: 'Optional[float]' = None) -> 'Dict[str, object]' (実装を直接呼ぶなら import cropweed; cropweed.fisher_lda_fit(X, y, *, ridge: 'float' = 1e-06, prior1: 'Optional[float]' = None) -> 'Dict[str, object]'、台帳から引くなら opssegmentation.get("fisher_lda_fit"))

使い方

2 クラスの Fisher 線形判別を学習する(閉形式。反復なし)。

X は (N, D) の特徴(superpixel_color_texture_features の返りの dict もそのまま渡せる)、y は 0 / 1 の N 個のクラス。特徴を全体の平均と標準偏差で標準化し(分散 0 の列は尺度 1 のまま constant_columns に記録)、クラス内の共通共分散 Σ = (S₀ + S₁)/(N − 2) に ridge × tr(Σ)/D を足してから w = Σ⁻¹(μ₁ − μ₀)。判定の切片は 2 つの等分散正規分布の対数尤度比 w·z − w·(μ₀ + μ₁)/2 + log(π₁/π₀) が 0 になる点(prior1 = π₁、既定は学習データの割合)。

返す: w・bias(score = z·w + bias、正ならクラス 1)・mean・scale・mu0・mu1・ fisher_ratio(J = (w·Δμ)²/(wᵀΣw)。分離の強さ)・n0・n1・prior1・constant_columns・cond。空の入力・y が 0/1 でない・各クラス 2 個未満・N ≤ 2・共分散の条件数が 1e12 を超える(向きが決まらない)・ 2 クラスの平均が同じとき(J = 0)は ValueError で拒否する。

詳しい使い方ガイド

• halcon_segmentation ファミリガイド

参考(サンプルデータ・文献)

• サンプルデータカタログ(DL URL / ライセンス) — 2-D は skimage.data(BSD/public)+ 合成、3-D は実データ源(Stanford/PDS 等)の DL URL。

• 演算子の来歴・参考文献 — この op 族の元になった研究/手法の出典。

• アルゴリズムの正典(著者・年)と用途は上記ファミリ使い方ガイドに記載。

実行できる例(この op を実際に呼ぶ検証済みサンプル)

• poc_weed_rice_ratio — py -3.11 examples/poc_weed_rice_ratio.py

型が繋がる次の op(`table` を入力に取れる)

class_ndim_norm · fisher_lda_score

同カテゴリ(`classify`)

class_2dim_sup · class_2dim_unsup · learn_ndim_norm · class_ndim_norm · classify_image_class_lut · fisher_lda_score

*Provenance: cropweed.py — SEGMENTATION operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。*

fisher_lda_fit — SEGMENTATION classify op

使い方