为了在低至中维数据集上获得更高的精度和核函数选择,使用分类学习者为了获得更大的灵活性,使用命令行界面来训练二进制SVM模型使用fitcsvm
或训练一个由二值支持向量机学习者组成的多类ECOC模型fitcecoc
.
为了减少在高维数据集上的计算时间,有效地训练二元线性分类模型,如线性支持向量机模型,使用fitclinear
或者训练一个由支持向量机模型组成的多类ECOC模型fitcecoc
.
对于大数据的非线性分类,使用训练二元高斯核分类模型fitckernel
.
分类学习者 | 使用有监督的机器学习训练模型来分类数据 |
ClassificationSVM预测 | 使用支持向量机(SVM)分类器对观测数据进行一类分类和二金宝app值分类 |
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。
使用分离超平面和核变换的支持向量机进行二值分类。
这个例子展示了如何在Simulink®中使用ClassificationSVM Predict块进行标签预测。金宝app
基于小波特征和支持向量机的信号分类金宝app(小波工具箱)
心音图数据的小波时间散射分类(小波工具箱)