最近的邻居
k-最近邻分类
训练一个k-最近邻模型,使用分类学习者为了获得更大的灵活性,请训练ak-使用最近邻模型fitcknn
在命令行界面。训练后,通过将模型和预测器数据传递给预测标签或估计后验概率预测
.
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 |
块
ClassificationKNN预测 | 利用最近邻分类模型对观测数据进行分类 |
功能
创建最近邻模型
fitcknn |
适合k-最近邻分类器 |
创建最近邻搜索器
ExhaustiveSearcher |
创建详尽的最近邻搜索器 |
KDTreeSearcher |
创建Kd树最近邻搜索器 |
createns |
创建最近邻搜索对象 |
解释最近邻模型
石灰 |
局部可解释模型不可知解释(LIME) |
partialDependence |
计算部分依赖关系 |
plotPartialDependence |
创建部分依赖图(PDP)和个别条件期望图(ICE) |
沙普利 |
沙普利值 |
旨在
crossval |
交叉验证机器学习模型 |
kfoldEdge |
交叉验证分类模型的分类边 |
kfoldLoss |
交叉验证分类模型的分类损失 |
kfoldfun |
分类的交叉验证功能 |
kfoldMargin |
交叉验证分类模型的分类边际 |
kfoldPredict |
在交叉验证的分类模型中对观测数据进行分类 |
测量性能
损失 |
的损失k-最近邻分类器 |
resubLoss |
再置换分类损失 |
compareHoldout |
比较使用新数据的两种分类模型的准确性 |
边缘 |
的边缘k-最近邻分类器 |
保证金 |
保证金的k-最近邻分类器 |
resubEdge |
再置换分类边 |
resubMargin |
再置换分类边际 |
testckfold |
通过重复交叉验证比较两种分类模型的准确性 |
分类的观察
预测 |
使用预测标签k-最近邻分类模型 |
resubPredict |
使用训练过的分类器对训练数据进行分类 |
收集最近邻模型的属性
收集 |
收集属性统计和机器学习工具箱来自GPU的对象 |
对象
最近邻分类模型
ClassificationKNN |
k-最近邻分类 |
ClassificationPartitionedModel |
交叉验证分类模型 |
主题
- 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。
- 可视化不同分类器的决策曲面
这个例子展示了如何可视化不同分类算法的决策面。
- 监督学习工作流和算法
理解监督学习的步骤和非参数分类和回归函数的特征。
- 使用最近邻进行分类
根据数据点到训练数据集中点的距离,使用各种距离度量对数据点进行分类。
相关信息
- 使用音调和MFCC识别说话人(音频工具箱)
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。