k- 最终邻居分类
ClassificationKnn.
是最近的邻居分类模型,您可以在其中改变距离度量和最近邻居的数量。因为A.ClassificationKnn.
分类器存储训练数据,您可以使用模型来计算重新替换预测。或者,使用模型对新的观察结果进行分类预测
方法。
创建一个ClassificationKnn.
模型使用Fitcknn.
.
CompareHoldout. |
使用新数据比较两个分类模型的精度 |
crossval |
交叉验证机器学习模型 |
边缘 |
的边缘k- 最终邻居分类器 |
收集 |
收集GPU机器学习模型的属性 |
酸橙 |
局部可解释的模型不可知解释(LIME) |
损失 |
lossk- 最终邻居分类器 |
利润 |
保证金的k- 最终邻居分类器 |
partialDependence |
计算部分依赖 |
绘图竞争依赖性 |
创建部分依赖图(PDP)和个人条件期望图(ICE) |
预测 |
预测标签使用k- 最终邻居分类模型 |
resubEdge |
Resubstitution分类边缘 |
resubloss. |
重新提交分类损失 |
重新提交 |
Resubstitution分类保证金 |
resubPredict |
使用培训的分类器对培训数据进行分类 |
沙普利 |
福利价值观 |
testckfold. |
通过重复的交叉验证比较两个分类模型的精度 |
的袖珍的
函数通过删除训练数据属性和预测新观测值标签不需要的任何其他属性来减少大多数分类模型的大小。因为k- 最终邻居分类模型需要所有培训数据来预测标签,无法减小一个尺寸ClassificationKnn.
模型。
knnsearch
找到k最邻居的积分。rangesearch.
在固定距离内找到所有点。您可以使用这些函数进行分类,如图所示分类查询数据.如果要进行分类,则使用ClassificationKnn.
模型可以更方便,因为您可以在一步中训练一个分类器(使用Fitcknn.
)和分类在其他步骤(使用预测
).或者,你可以训练ak- 使用呼叫中的一个交叉验证选项的邻居分类模型Fitcknn.
.在这种情况下,Fitcknn.
返回一个ClassificationededModel.
交叉验证的模型对象。