金宝app支持向量机分类
金宝app支持向量机用于二进制或多类分类
为了在低维到中维数据集上获得更高的准确性和内核函数选择,使用的方法训练包含SVM二元学习器的二进制SVM模型或多类错误校正输出代码(ECOC)模型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fitcsvm
或训练由二元支持向量机学习器组成的多类ECOC模型fitcecoc
.
为了减少高维数据集上的计算时间,使用有效地训练二元线性分类模型,如线性SVM模型fitclinear
或训练由SVM模型组成的多类ECOC模型fitcecoc
.
对于大数据的非线性分类,训练一个二进制的高斯核分类模型fitckernel
.
应用程序
分类学习者 | 训练模型使用监督机器学习对数据进行分类 |
块
ClassificationSVM预测 | 利用支持向量机(SVM)分类器对观测数据进行单类分类和二金宝app元分类 |
功能
二进制支持向量机
创建模型或模板
fitcsvm |
训练支持向量金宝app机分类器用于一类分类和二元分类 |
紧凑的 |
减小机器学习模型的尺寸 |
templateSVM |
金宝app支持向量机模板 |
修改模型
discard金宝appSupportVectors |
线性支持向量机分金宝app类器的支持向量弃用 |
incrementalLearner |
将二元分类支持向量机(SVM)模型转化为增量学习器金宝app |
重新开始 |
恢复训练支持向量机(SVM)分类金宝app器 |
解释模型
石灰 |
局部可解释模型不可知解释(LIME) |
partialDependence |
计算部分依赖关系 |
plotPartialDependence |
创建部分依赖图(PDP)和个别条件期望图(ICE) |
沙普利 |
沙普利值 |
旨在
crossval |
交叉验证机器学习模型 |
kfoldEdge |
交叉验证分类模型的分类边 |
kfoldLoss |
交叉验证分类模型的分类损失 |
kfoldMargin |
交叉验证分类模型的分类边际 |
kfoldPredict |
在交叉验证的分类模型中对观测数据进行分类 |
kfoldfun |
分类的交叉验证功能 |
测量性能
损失 |
找出支持向量机分类器的分类误差金宝app |
resubLoss |
再置换分类损失 |
compareHoldout |
比较使用新数据的两种分类模型的准确性 |
边缘 |
为支持向量机分类器找到分类边金宝app |
保证金 |
为支持向量机分类器找到分类边界金宝app |
resubEdge |
再置换分类边 |
resubMargin |
再置换分类边际 |
testckfold |
通过重复交叉验证比较两种分类模型的准确性 |
fitSVMPosterior |
拟合后验概率 |
fitPosterior |
紧凑型支持向量机(SVM)分类器的后验概率拟合金宝app |
分类的观察
预测 |
利用支持向量机(SVM)分类器对观测数据进行分类金宝app |
resubPredict |
使用训练过的分类器对训练数据进行分类 |
收集模型属性
收集 |
收集属性统计和机器学习工具箱来自GPU的对象 |
二元线性分类
fitclinear |
用二元线性分类器拟合高维数据 |
预测 |
预测线性分类模型的标签 |
templateLinear |
线性分类学习器模板 |
二进制核分类
fitckernel |
采用随机特征展开方法拟合二元高斯核分类器 |
预测 |
高斯核分类模型的标签预测 |
templateKernel |
内核模型模板 |
多级ECOC
fitcecoc |
为支持向量机或其他分类器拟合多类模型金宝app |
预测 |
利用多类纠错输出码(ECOC)模型对观测数据进行分类 |
templateECOC |
纠错输出代码学习模板 |
类
二进制支持向量机
ClassificationSVM |
金宝app支持向量机(SVM)用于一类和二元分类 |
CompactClassificationSVM |
用于一类和二元分金宝app类的紧凑支持向量机(SVM) |
ClassificationPartitionedModel |
交叉验证分类模型 |
二元线性分类
ClassificationLinear |
高维数据二元分类的线性模型 |
ClassificationPartitionedLinear |
用于高维数据二元分类的交叉验证线性模型 |
二进制核分类
ClassificationKernel |
采用随机特征展开的高斯核分类模型 |
ClassificationPartitionedKernel |
交叉验证的二进制内核分类模型 |
多级ECOC
ClassificationECOC |
支持向量机(svm)和其他分类器的多类模型金宝app |
CompactClassificationECOC |
支持向量机(svm)和其他分类器的紧凑多类模型金宝app |
ClassificationPartitionedECOC |
交叉验证多类ECOC模型支持向量机(svm)和其他分类器金宝app |
ClassificationPartitionedLinearECOC |
用于高维数据多类分类的交叉验证线性纠错输出码模型 |
ClassificationPartitionedKernelECOC |
用于多类分类的交叉验证内核纠错输出代码模型 |
主题
- 使用分类学习金宝app应用程序训练支持向量机
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,以对新数据进行预测。
- 金宝app二元分类的支持向量机
利用分离超平面和核变换,通过支持向量机进行二元分类。
- 使用classiationsvm预测块预测类标签
这个例子展示了如何在Simulink®中使用ClassificationSVM预测块进行标签预测。金宝app
相关信息
- 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)
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。