金宝app支持向量机分类

金宝app支持向量机二分类或多分类

为了在低到中维数据集上获得更高的精度和核函数选择，使用分类学习者为了更大的灵活性，使用命令行界面训练二进制SVM模型使用fitcsvm或训练由二元SVM学习者组成的多类ECOC模型fitcecoc．

为了减少在高维数据集上的计算时间，有效地训练二进制线性分类模型，如线性SVM模型，使用fitclinear或训练由SVM模型组成的多类ECOC模型fitcecoc．

对于大数据的非线性分类，使用二值高斯核分类模型训练fitckernel．

应用程序

使用监督机器学习训练模型来分类数据

利用支持向量机(SVM)分类器进行单分类和二分类金宝app

`fitcsvm`	训练支持向量金宝app机(SVM)分类器为一类和二类分类
`fitSVMPosterior`	合适的后验概率
`预测`	使用支持向量机分类器对观测结果进行分类金宝app
`templateSVM`	金宝app支持向量机模板

`ClassificationSVM`	金宝app支持向量机(SVM)用于一类和二类分类
`CompactClassificationSVM`	用于一类和二类分金宝app类的紧凑支持向量机(SVM)
`ClassificationPartitionedModel`	旨在分类模型

`ClassificationLinear`	用于高维数据二值分类的线性模型
`ClassificationPartitionedLinear`	交叉验证线性模型用于高维数据的二值分类

`ClassificationKernel`	利用随机特征展开的高斯核分类模型
`ClassificationPartitionedKernel`	交叉验证的二进制内核分类模型

`ClassificationECOC`	支持向量机(SVMs)和其他分类器的多类模金宝app型
`CompactClassificationECOC`	支持向量机(SVMs)和其他分类器的紧凑多类模型金宝app
`ClassificationPartitionedECOC`	用于支持向量机(SVMs)和其他分类器的交叉验证多类ECOC模型金宝app
`ClassificationPartitionedLinearECOC`	用于高维数据多类分类的交叉验证线性纠错输出码模型
`ClassificationPartitionedKernelECOC`	用于多类分类的交叉验证内核错误校正输出码模型