在各种算法中进行选择,以训练和验证二进制或多类问题的分类模型。训练多个模型后,并排比较它们的验证错误,然后选择最佳模型。要帮助您决定使用哪种算法,请参阅分类学习器应用程序中的训练分类模型.
此流程图显示了在分类学习器应用程序中培训分类模型或分类器的通用工作流。
分类学习者 | 使用有监督机器学习训练数据分类模型 |
培训、比较和改进分类模型的工作流程,包括自动、手动和并行培训。
将数据从工作区或文件导入分类学习器,查找示例数据集,然后选择交叉验证或保留验证选项。
在分类学习器中,自动训练模型选择,或比较和调整决策树、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的选项。金宝app
比较模型精度分数,通过绘制类预测可视化结果,并在混淆矩阵中检查每个类的性能。
在分类学习者中进行培训后,将模型导出到工作空间,生成MATLAB®编码,生成用于预测的C代码,或将用于部署的模型导出到MATLAB生产服务器™.
创建和比较分类树,并导出经过训练的模型以对新数据进行预测。
创建和比较判别分析分类器,并导出经过训练的模型以对新数据进行预测。
创建并比较逻辑回归分类器,并导出经过训练的模型以对新数据进行预测。
创建和比较朴素贝叶斯分类器,并导出经过训练的模型以预测新数据。
创建并比较支持向量机(SVM)分类器,金宝app并导出经过训练的模型以对新数据进行预测。
创建并比较最近邻分类器,并导出经过训练的模型以对新数据进行预测。
创建和比较内核近似分类器,并导出经过训练的模型以对新数据进行预测。
创建和比较集成分类器,并导出经过训练的模型以对新数据进行预测。
创建和比较神经网络分类器,并导出经过训练的模型,以便对新数据进行预测。
使用图识别有用的预测值,手动选择要包含的特征,并在分类学习器中使用PCA变换特征。
在培训任何分类模型之前,请指定将一个类别的观察结果错误分类为另一个类别的相关成本。
在指定错误分类成本后创建分类器,并比较模型的准确性和总错误分类成本。
使用超参数优化自动调整分类模型的超参数。
训练具有优化超参数的分类支持向量机(SVM)模金宝app型。
将测试集导入Classification Learner,并检查测试集指标以获得最佳性能的训练模型。
导出和自定义培训前后创建的绘图。
使用分类学习器应用程序训练分类模型,并生成用于预测的C/C++代码。
此示例演示如何使用分类学习器训练逻辑回归模型,然后使用导出的分类模型生成预测标签的C代码。
在分类学习器中培训模型并将其导出以部署到MATLAB生产服务器.