通用工作流

在分类学习者应用程序中训练分类模型

培训、比较和改进分类模型的工作流，包括自动化、手动和并行培训。

选择分类问题的数据和验证

从工作空间或文件中将数据导入Classification Learner，找到示例数据集，并选择交叉验证或拒绝验证选项。

选择分类器选项

在分类学习器中，自动训练模型的选择，或在决策树、判别分析、逻辑回归、朴素贝叶斯、支持向量机、最近邻和集成模型中比较和调整选项。金宝app

在分类学习中评估分类器的表现

比较模型的准确性分数，通过绘制类预测图来可视化结果，并在混淆矩阵中检查每个类的表现。

导出分类模型来预测新数据

通过分类学习器训练，导出模型到工作空间，生成MATLAB^®代码，或生成C代码进行预测。

使用分类学习程序训练决策树

创建和比较分类树，并导出培训的模型来对新数据进行预测。

使用分类学习程序训练判别分析分类器

创建和比较判别分析分类器，并导出训练过的模型，对新数据进行预测。

使用分类学习程序训练逻辑回归分类器

创建和比较逻辑回归分类器，并导出训练过的模型来预测新数据。

使用分类学习程序训练朴素贝叶斯分类器

创建和比较朴素贝叶斯分类器，并导出训练过的模型来预测新数据。

火车支持矢量金宝app机器使用分类学习者应用程序

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。

使用分类学习应用程序训练最近邻分类器

创建和比较最近邻分类器，并导出训练过的模型来预测新数据。

使用分类学习者应用程序列车集合分类器

创建和比较集成分类器，并导出训练过的模型来预测新数据。

定制的工作流

使用分类学习软件进行特征选择和特征转换

使用绘图识别有用的预测器，手动选择要包含的功能和使用PCA在分类学习者中使用PCA的功能。

分类学习者应用中的错误分类费用

在培训任何分类模型之前，请指定与错误分类一个类的观察相关的成本进入另一级。

在分类学习者应用程序中使用误分类代价训练和比较分类器

在指定误分类代价后创建分类器，比较模型的准确率和总误分类代价。

分类学习者应用中的HyperParameter优化

通过使用HyperParameter优化自动调整分类模型的超级参数。

在分类学习者应用中使用HyperParameter优化的火车分类器

使用优化的超参数列车分类支持向量机（SVM）模金宝app型。

在分类学习者应用程序中导出地块

导出和定制培训前后创建的图。

代码生成和分类学习者应用程序

使用分类学习者应用程序列车分类模型，并为预测生成C / C ++代码。