分类学习者应用
交互式地训练、验证和优化分类模型
选择不同的算法来训练和验证分类模型对二进制或多类问题。训练后多个模型,比较他们并排验证错误,然后选择最好的模型。为了帮助你决定使用哪一个算法,明白了训练分类模型的分类学习者应用。
这个流程图显示了训练分类模型,通用工作流或分类器,分类学习者应用。
如果你想运行实验使用的一个模型你训练分类学习者,你可以导出模型实验管理器应用程序。更多信息,明白了出口模式从分类学习者尝试经理。
主题
通用工作流
- 训练分类模型的分类学习者应用
工作流程培训、比较和提高分类模型,包括自动、手动和并行训练。 - 选择数据分类或打开保存应用程序会话
数据导入分类学习者从工作区或文件,找到示例数据集,选择交叉验证或抵抗验证选项,并预留数据进行测试。另外,打开之前保存应用程序会话。 - 选择分类器选项
在分类学习者、自动列车模型的选择,在决策树或比较和优化选项,判别分析、逻辑回归、朴素贝叶斯,支持向量机,最近邻,内核近似,合奏,神经网络模型。金宝app - 可视化和评估分类器在分类学习者的表现
比较模型精度值,显示结果通过绘制类预测,并检查性能混淆矩阵中的每个类。 - 出口分类模型来预测新数据
在分类学习者训练后,模型导出到工作区,生成MATLAB®代码,为预测生成C代码,或出口模型部署MATLAB生产服务器™。 - 火车使用分类学习者应用决策树
创建和比较分类树,和出口训练模型对新数据进行预测。 - 使用分类学习者应用判别分析分类器训练
创建和判别分析分类器相比,和出口训练模型对新数据进行预测。 - 火车的漠视二进制逻辑回归使用分类学习者应用分类器
创建二进制逻辑回归和比较分类器和出口训练模型对新数据进行预测。 - 使用分类学习者应用朴素贝叶斯分类器训练
创建和朴素贝叶斯分类器进行比较,和出口训练模型对新数据进行预测。 - 使用分类学习金宝app者应用训练支持向量机
创建和支持向量机(SVM)分类器相比,金宝app和出口训练模型对新数据进行预测。 - 使用分类学习者应用最近邻分类器训练
创建和最近邻分类器进行比较,和出口训练模型对新数据进行预测。 - 火车内核使用分类学习者应用近似分类器
创建内核和比较近似分类器和出口训练模型对新数据进行预测。 - 使用分类学习者应用合奏训练分类器
创建和系综分类器相比,和出口训练模型对新数据进行预测。 - 使用分类学习者应用训练神经网络分类器
创建和神经网络分类器进行比较,和出口训练模型对新数据进行预测。
定制的工作流
- 特征选择和特征转换使用分类学习者应用
排名算法识别有用的预测使用土地或特性,包括选择特性,并在分类学习者使用PCA变换特性。 - 错误分类的成本分类学习者应用
在训练分类模型,指定相关的成本分类的观察一个类到另一个。 - 火车和比较分类器在分类学习者应用使用误分类代价
创建分类器在指定误分类代价,和比较模型的准确性和错误分类总成本。 - Hyperparameter优化分类学习者应用
自动调整hyperparameters分类模型用hyperparameter优化。 - 训练分类器在分类学习者使用Hyperparameter优化应用程序
训练一个分类支持向量机(SVM)模型与优化hy金宝appperparameters。 - 检查使用测试集分类器性能分类学习者应用
一套测试导入分类学习者,检查的测试集指标表现最好的训练模型。 - 解释分类器训练分类学习者应用
确定功能是用于训练分类器通过使用部分情节的依赖。 - 出口情节分类学习者应用
出口和定制情节训练之前和之后创建的。 - 代码生成和分类学习者应用
使用分类学习者应用训练分类模型,并生成C / c++代码的预测。 - 代码生成的二进制GLM Logistic回归模型训练分类学习者
这个例子展示了如何训练使用分类学习者,漠视一个二进制逻辑回归模型,然后生成C代码,使用导出的分类模型预测标签。 - 部署模型训练分类学习者MATLAB生产服务器
火车模型分类学习者和导出部署MATLAB生产服务器。 - 工业机械和制造过程模型构建条件
火车一个二进制分类模型用分类学习者应用检测异常传感器收集的数据从一个工业制造机器。
实验管理工作流程
- 出口模式从分类学习者尝试经理
出口一个分类模型实验管理器执行多个实验。 - 使用实验优化分类模型管理器
使用不同的训练数据集,hyperparameters,可视化优化有效的线性分类器实验管理器。
相关信息
- 机器学习在MATLAB
- 实验管理器应用程序(深度学习工具箱)