通用工作流

在分类学习者应用中列车分类模型

用于培训，比较和改进分类模型的工作流程，包括自动化，手动和并行培训。

为分类问题选择数据和验证

将数据从工作区或文件导入分类学习者，查找示例数据集，然后选择交叉验证或保留验证选项。

选择分类器选项

在Classification Learner中，自动训练一组模型，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、集成和神经网络模型中比较和调整选项。金宝app

评价分类学习者中的分类器性能

比较模型的准确性得分，通过绘制类预测来可视化结果，并在混淆矩阵中检查每个类的性能。

导出分类模型来预测新数据

经过Classification Learner的训练，将模型导出到工作空间，生成MATLAB^®代码，或生成C代码进行预测。

使用分类学习者APP列车决策树

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。

使用分类学习者应用程序训练判别分析分类器

创建和比较判别分析分类器，并导出训练好的模型来对新数据进行预测。

使用分类学习者应用程序训练Logistic回归分类器

创建并比较逻辑回归分类器，并导出经过训练的模型来对新数据进行预测。

使用分类学习应用训练朴素贝叶斯分类器

创建和比较Naive Bayes Classifiers，并导出训练有素的模型来对新数据进行预测。

火车支持矢量金宝app机器使用分类学习者应用程序

创建并比较支持向量机(SVM)分类器，金宝app并输出训练好的模型来对新数据进行预测。

使用分类学习者应用程序列车最近的邻邻分类器

创建和比较最近邻分类器，并导出训练过的模型来对新数据进行预测。

使用分类学习应用训练集成分类器

创建和比较集成分类器，并导出训练好的模型来对新数据进行预测。

使用分类学习器应用火车神经网络分类器

创建并比较神经网络分类器，并输出训练好的模型来对新数据进行预测。

定制的工作流

基于分类学习应用的特征选择和特征转换

识别有用的预测器使用图，手动选择特征包括，并转换特征使用PCA在分类学习者。

分类学习应用中的误分类代价

在训练任何分类模型之前，指定将一类观察结果误分类到另一类的代价。

使用分类学习者应用程序使用错误分类成本的火车和比较分类器

指定错分类代价后创建分类器，比较模型的准确率和总错分类代价。

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。

在分类学习应用中使用超参数优化训练分类器

使用优化的超参数列车分类支持向量机（SVM）模金宝app型。

在分类学习应用程序中使用测试集检查分类器性能

将测试设置为分类学习者，并检查测试集指标，以获得最佳性能的培训型号。

在Classification Learner App中导出图

导出和定制训练前后创建的地块。

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。

分类学习者培训的逻辑回归模型的代码生成

这个例子展示了如何使用Classification Learner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。