选择不同的算法来训练和验证二进制或多类问题的分类模型。对多个模型进行训练后,将其验证误差进行比较,选择最优模型。为了帮助你决定使用哪种算法,请看在分类学习者应用程序中训练分类模型.
此流程图显示了在classification Learner应用程序中训练分类模型或分类器的通用工作流。
分类学习者 | 使用有监督的机器学习训练模型来分类数据 |
培训、比较和改进分类模型的工作流,包括自动化、手动和并行培训。
从工作空间或文件中将数据导入Classification Learner,找到示例数据集,并选择交叉验证或拒绝验证选项。
在分类学习器中,自动训练模型的选择,或在决策树、判别分析、逻辑回归、朴素贝叶斯、支持向量机、最近邻、核近似、集成和神经网络模型中比较和调整选项。金宝app
比较模型的准确性分数,通过绘制类预测图来可视化结果,并在混淆矩阵中检查每个类的表现。
通过分类学习器训练,导出模型到工作空间,生成MATLAB®代码,生成用于预测的C代码,或者导出用于部署的模型MATLAB生产服务器™.
创建和比较分类树,并导出训练过的模型来预测新数据。
创建和比较判别分析分类器,并导出训练过的模型,对新数据进行预测。
创建和比较逻辑回归分类器,并导出训练过的模型来预测新数据。
创建和比较朴素贝叶斯分类器,并导出训练过的模型来预测新数据。
创建和比较支持向量机(SVM)分类器,金宝app并导出训练过的模型来对新数据进行预测。
创建和比较最近邻分类器,并导出训练过的模型来预测新数据。
创建和比较核近似分类器,并导出训练过的模型来对新数据进行预测。
创建和比较集成分类器,并导出训练过的模型来预测新数据。
创建和比较神经网络分类器,并导出训练过的模型,对新数据进行预测。
使用图识别有用的预测器,手动选择特征包括,并在分类学习中使用PCA变换特征。
在训练任何分类模型之前,指定将一个类的观察结果误分类为另一个类的相关代价。
在指定误分类代价后创建分类器,比较模型的准确率和总误分类代价。
利用超参数优化技术自动调整分类模型的超参数。
用优化的超参数训练分类支持向量机模型。金宝app
将测试集导入到Classification Learner中,并检查测试集指标以获得最佳的训练模型。
导出和定制培训前后创建的图。
使用classification Learner app训练分类模型,并生成C/ c++代码用于预测。
这个例子展示了如何使用Classification Learner训练逻辑回归模型,然后生成C代码,使用导出的分类模型预测标签。
在分类学习器中训练一个模型,并将其导出用于部署MATLAB生产服务器.