金宝app支持矢量机器分类

金宝app支持二进制或多款分类的向量机

在低通过中维数据集上的更高准确性和内核功能选择，培训二进制SVM模型或使用SVM二进制学习者的多种单态误差输出代码（ECOC）模型使用分类学习者应用程序。有关更大的灵活性，请使用命令行界面培训二进制SVM模型使用fitcsvm.或培训由二进制SVM学习者组成的多种多组ECOC模型使用Fitcecoc.。

对于高维数据集的计算时间，有效地培训二进制，线性分类模型，例如线性SVM模型，使用FitClinear.或培训由SVM型号组成的多种多组ECOC模型使用Fitcecoc.。

对于具有大数据的非线性分类，培训二进制，高斯内核分类模型使用Fitconnelel.。

应用

分类学习者

火车模型以使用监督机器学习对数据进行分类

块

分类vm预测

分类使用支持向量机（SVM）分类器进行单级和二进制分类的金宝app分类观察

职能

展开全部

二进制SVM.

`fitcsvm.`	火车支持向量金宝app机（SVM）分类器为单级和二进制分类
`fitsvmposterior.`	适合后概率
`预测`	使用支持向量机（SVM）分类器分类观察金宝app
`templatesvm.`	金宝app支持矢量机器模板

二进制线性分类

`FitClinear.`	将线性分类模型适合高维数据
`预测`	预测线性分类模型的标签
`TemplateLinear.`	线性分类学习者模板

二进制内核分类

`Fitconnelel.`	适合高斯内核分类模型使用随机功能扩展
`预测`	预测高斯内核分类模型的标签
`TemplateKernel.`	内核模型模板

多牌ecoc

`Fitcecoc.`	适用于支持向量机或其他分类器的多键模型金宝app
`预测`	使用多款纠错输出代码（ECOC）模型进行分类观察
`TemplateCoc.`	纠错输出代码学习者模板

班级

展开全部

二进制SVM.

`分类VM.`	金宝app支持向量机（SVM）用于单级和二进制分类
`CompactClassificationsVM.`	紧凑型支持向量机金宝app（SVM）用于单级和二进制分类
`ClassificationededModel.`	交叉验证的分类模型

二进制线性分类

`分类线性`	高维数据二进制分类的线性模型
`分类分类线性`	高维数据二进制分类的交叉验证的线性模型

二进制内核分类

`ClassificationKernel.`	高斯内核分类模型使用随机特征扩展
`ClassificationedKernel.`	交叉验证的二进制内核分类模型

多牌ecoc

`Classifiedecoc.`	支持向量机（SVM）和其他分类器的多牌型号金宝app
`CompactClassificeCoc.`	用于支持向量机（SVM）和其他分类器的紧凑型多键模型金宝app
`Classificationedecoc.`	用于支持向量机（SVM）和其他分类器的交叉验证的多种子体ECOC模型金宝app
`ClassificationedAdearecoc.`	交叉验证的线性纠错输出代码模型，用于高维数据的多级数据分类
`classificationededkernelecoc.`	用于多字母分类的交叉验证的内核纠错输出代码（ECOC）模型