主要内容

神经网络

用于二进制和多类分类的神经网络

神经网络模型的结构是一系列反映大脑处理信息方式的层。统计和机器学习工具箱™中提供的神经网络分类器是全连接的前馈神经网络，您可以调整全连接层的大小并更改层的激活函数。

训练神经网络分类模型，使用分类学习者为了获得更大的灵活性，使用训练神经网络分类器fitcnet在命令行界面。训练后，您可以通过将模型和新的预测器数据传递给来分类新数据预测．

如果您想创建更复杂的深度学习网络并拥有深度学习工具箱™，可以尝试深度网络设计器(深度学习工具箱)应用程序。

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

ClassificationNeuralNetwork预测 利用神经网络分类模型对观测数据进行分类

功能

全部展开

fitcnet 训练神经网络分类模型
紧凑的 减小机器学习模型的尺寸
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
crossval 交叉验证机器学习模型
kfoldLoss 交叉验证分类模型的分类损失
kfoldPredict 在交叉验证的分类模型中对观测数据进行分类
kfoldEdge 交叉验证分类模型的分类边
kfoldMargin 交叉验证分类模型的分类边际
kfoldfun 分类的交叉验证功能
损失 神经网络分类器的分类损失
resubLoss 再置换分类损失
边缘 神经网络分类器的分类边
保证金 神经网络分类器的分类边缘
resubEdge 再置换分类边
resubMargin 再置换分类边际
预测 利用神经网络分类器对观测数据进行分类
resubPredict 使用训练过的分类器对训练数据进行分类

对象

ClassificationNeuralNetwork 神经网络分类模型
CompactClassificationNeuralNetwork 紧凑的神经网络分类模型
ClassificationPartitionedModel 交叉验证分类模型

主题