分类学习者App
交互式地训练、验证和调优分类模型
在各种算法中进行选择,以训练和验证二进制或多类问题的分类模型。在训练多个模型后,将它们的验证误差并排比较,然后选择最佳模型。要帮助您决定使用哪种算法,请参见在分类学习App中训练分类模型.
这个流程图显示了在分类学习者应用程序中训练分类模型或分类器的常见工作流程。
应用程序
分类学习者 | 训练模型使用监督机器学习对数据进行分类 |
主题
通用工作流
- 在分类学习App中训练分类模型
用于训练、比较和改进分类模型的工作流,包括自动、手动和并行训练。 - 选择分类数据或打开保存的应用程序会话
将数据从工作空间或文件导入Classification Learner,查找示例数据集,选择交叉验证或拒绝验证选项,并将数据预留用于测试。或者,打开之前保存的应用程序会话。 - 选择分类器选项
在分类学习器中,自动训练选择的模型,或比较和调整决策树、判别分析、逻辑回归、朴素贝叶斯、支持向量机、最近邻、核近似、集成和神经网络模型中的选项。金宝app - 分类学习中分类器性能的可视化和评估
比较模型精度分数,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。 - 导出分类模型预测新数据
在Classification Learner中训练后,导出模型到工作空间,生成MATLAB®代码,生成用于预测的C代码,或导出用于部署的模型MATLAB生产服务器. - 使用分类学习应用程序训练决策树
创建和比较分类树,并导出训练过的模型,以对新数据进行预测。 - 使用分类学习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,并导出训练过的模型,以对新数据进行预测。 - 使用分类学习应用程序训练逻辑回归分类器
创建并比较逻辑回归分类器,并导出训练过的模型,以对新数据进行预测。 - 使用分类学习应用程序训练朴素贝叶斯分类器
创建和比较朴素贝叶斯分类器,并导出训练过的模型,以对新数据进行预测。 - 使用分类学习金宝app应用程序训练支持向量机
创建和比较支持向量机(SVM)分类器,金宝app并导出训练过的模型,以对新数据进行预测。 - 使用分类学习应用程序训练最近邻分类器
创建并比较最近邻分类器,并导出训练过的模型,以对新数据进行预测。 - 使用分类学习应用程序训练核近似分类器
创建并比较内核近似分类器,并导出训练好的模型以对新数据进行预测。 - 使用分类学习应用程序训练集成分类器
创建和比较集成分类器,并导出训练过的模型,以对新数据进行预测。 - 使用分类学习应用程序训练神经网络分类器
创建和比较神经网络分类器,并导出训练过的模型,以对新数据进行预测。
定制的工作流
- 使用分类学习App进行特征选择和特征转换
使用图或特征排序算法识别有用的预测因子,选择要包含的特征,并使用分类学习器中的PCA转换特征。 - 分类学习者应用程序中的错误分类成本
在训练任何分类模型之前,请指定将一类观察结果错误分类为另一类的相关成本。 - 在分类学习应用程序中使用错误分类代价训练和比较分类器
在指定错误分类代价后创建分类器,并比较模型的准确性和总错误分类代价。 - 分类学习App中的超参数优化
利用超参数优化技术自动调优分类模型的超参数。 - 在分类学习App中使用超参数优化训练分类器
用优化的超参数训练分类支持向量机模型。金宝app - 使用分类学习应用程序中的测试集检查分类器性能
将测试集导入Classification Learner,并检查测试集指标,以获得表现最佳的训练模型。 - 解释分类学习者应用程序训练的分类器
通过使用部分依赖图确定特征如何在训练好的分类器中使用。 - 在分类学习应用程序中导出图
导出和定制培训前后创建的图。 - 代码生成和分类学习应用程序
使用classification Learner应用程序训练分类模型,并生成用于预测的C/ c++代码。 - 分类学习者训练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,然后生成使用导出的分类模型预测标签的C代码。 - 将分类学习器中训练的模型部署到MATLAB生产服务器
在分类学习器中训练模型,并将其导出以部署到MATLAB制作服务器. - 建立工业机械和制造过程的条件模型
使用分类学习应用程序训练二元分类模型,以检测从工业制造机器收集的传感器数据中的异常。