latravcióndeestapáginaEstáobsoleta。HagaclicagíparaverlaúltimaversiónEnglés。

Desarrollo yAreaduaciónDeModelos

SeleccióndeCaracterísticas，，，，ingeniería de características, selección de modelos, optimización de hiperparámetros, validación cruzada, evaluación de la capacidad predictiva y pruebas de comparación de la precisión de las clasificaciones

Al desarrollar un modelo de clasificación predictiva de alta calidad, es importante seleccionar las características (o predictores) correctos y ajustar los hiperparámetros (parámetros del modelo que no se han estimado).

La seleccion de caracteristicas y el de los进行hiperparámetros pueden arrojar varios modelos. Puede comparar las tasas de errores de clasificación dekiteraciones, las curvas ROC, por sus siglas en inglés) o las matrices de confusión entre los modelos. También puede realizar una prueba estadística para detectar si un modelo de clasificación supera significativamente a otro.

Para extraer nuevas características antes de entrenar un modelo de clasificación, utilicegencfeatures。

Para desarrollar y evaluar modelos de clasificación de forma interactiva, utilice la appClassification Learner。

para seleccionarautomáticamenteun Modelo conhiperparámetrosajustados，Utilicefitcauto。estafunciónpruebaunaseleccióndetipos declasificacióncondiferentes valores enloshiperparámetrosy devuelve y devuelve un Modelo final que eveped que que funcione bien bien con los los nuevos datos。UTILICEfitcautocuando no sepa con seguridad los tipos de clasificadores que mejor se adaptan a s s s s sus datos。

para ajustarloshiperparámetrosde un Modelo Concreto，Seleccione los valores delosHiperparámetrosy realice una dialceunvilyaciónCruzadadil Modeo Con Dichos Valores。Por Ejemplo，Para ajustar Un Modelo SVM，Elija Un Conjunto de restricciones de cajas y escalas de Kernel de Kernel Y，Después，Realice una unavilyaciónCruzaDeun Modelo para para para par par de Valores。declasificacióndede statistics and Machine Learning Toolbox™ofrecen un ajusteautomáticodeloshiperparámetrosMedianteopentizaciónBayesiana，búsquedaporcuadrículisobúsquedaaleatoria。sin禁运，LaUnción主要Utilitizada Para para amparionar laopentizaciónBayesiana，贝叶斯，Es lo suficientee柔性para utilizarla en otras aplicaciones。咨询Bayesian Optimization Workflow。

Para解释员Un Modelo declasificación，Puede用品lime，，，，沙普利y阴谋PartialDependence。

应用

Classification Learner

Train models to classify data using supervised machine learning

功能

Expandir todo

SeleccióndeCaracterísticas

`fscchi2`	Univariate feature ranking for classification using chi-square tests
`fscmrmr`	Rank features for classification using minimum redundancy maximum relevance (MRMR) algorithm
`FSCNCA`	Feature selection using neighborhood component analysis for classification
`OOBPERMUTED PREDICTORIMPORTANE`	Predictor importance estimates by permutation of out-of-bag predictor observations for random forest of classification trees
`预测象征`	Estimates of predictor importance for classification tree
`预测象征`	Estimates of predictor importance for classification ensemble of decision trees
`sequentialfs`	Sequential feature selection using custom criterion
`relieff`	Rank importance of predictors using ReliefF or RReliefF algorithm

IngenieríadeCaracterísticas

`gencfeatures`	执行自动化功能工程进行分类
`描述`	描述生成的功能
`transform`	使用生成的功能转换新数据

SeleccióndeModelos Automatizados

fitcauto Automatically select classification model with optimized hyperparameters

Optimización de hiperparámetros

`贝叶斯`	使用贝叶斯优化选择最佳机器学习超标剂
`hyperparameters`	Variable descriptions for optimizing a fit function
`optimizableVariable`	Variable description for`贝叶斯`or other optimizers

Validación cruzada

`杂交`	Estimate loss using cross-validation
`CVPARTITION`	Partition data for cross-validation
`repartition`	Repartition data for cross-validation
`测试`	交叉验证指标
`训练`	Training indices for cross-validation

DrifcentaciónDeModelos

explacicaciones igicementes del Modelo本地解释（石灰，por siglas eninglés）

`lime`	Local interpretable model-agnostic explanations (LIME)
`合身`	Fit simple model of local interpretable model-agnostic explanations (LIME)
`阴谋`	Plot results of local interpretable model-agnostic explanations (LIME)

Valores de Shapley

`沙普利`	沙普利值
`合身`	计算查询点的沙普利值
`阴谋`	Plot Shapley values

依赖性

`partialDependence`	计算部分依赖性
`阴谋PartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots

Evaluación de la capacidad de la clasificación

`混乱`	Create confusion matrix chart for classification problem
`confusionmat`	计算分类问题的混淆矩阵
`perfcurve`	Receiver operating characteristic (ROC) curve or other performance curve for classifier output

Pruebas de comparación de la precisión de los modelos

`测试choldout`	比较两个classificatio的预测精度n models
`testckfold`	Compare accuracies of two classification models by repeated cross-validation

Objetos

Expandir todo

SeleccióndeCaracterísticas

FeatureSelectionNCAClassification 使用邻里组件分析（NCA）进行分类的特征选择

IngenieríadeCaracterísticas

tematuretransformer Generated feature transformations

Optimización de hiperparámetros

BayesianOptimization 贝叶斯优化结果

Temas

App Classification Learner

Train Classification Models in Classification Learner App

Workflow for training, comparing and improving classification models, including automated, manual, and parallel training.

评估分类学习者的分类器表现

Compare model accuracy scores, visualize results by plotting class predictions, and check performance per class in the Confusion Matrix.

使用分类学习者应用程序的功能选择和功能转换

Identify useful predictors using plots, manually select features to include, and transform features using PCA in Classification Learner.

SeleccióndeCaracterísticas

功能选择简介

了解功能选择算法并探索可用于特征选择的功能。

Sequential Feature Selection

This topic introduces to sequential feature selection and provides an example that selects features sequentially using a custom criterion and thesequentialfs功能。

Neighborhood Component Analysis (NCA) Feature Selection

Neighborhood component analysis (NCA) is a non-parametric method for selecting features with the goal of maximizing prediction accuracy of regression and classification algorithms.

Tune Regularization Parameter to Detect Features Using NCA for Classification

此示例显示了如何调整正则化参数FSCNCAusing cross-validation.

正规化判别分析分类器

通过删除预测变量而不损害模型的预测能力，使其更加可靠，更简单。

选择Features for Classifying High-Dimensional Data

此示例显示了如何选择用于分类高维数据的功能。

IngenieríadeCaracterísticas

分类的自动化功能工程

Usegencfeaturesto engineer new features before training a classification model. Before making predictions on new data, apply the same feature transformations to the new data set.

SeleccióndeModelos Automatizados

贝叶斯和ASHA优化的自动分类器选择

Usefitcautoto automatically try a selection of classification model types with different hyperparameter values, given training predictor and response data.