主要内容

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

全部展开

fitcknn 适合k-最近邻分类器
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
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
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
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
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 收集属性统计和机器学习工具箱来自GPU的对象
pdist 成对观测值之间的距离
pdist2 两组观测值之间的成对距离

对象

全部展开

ClassificationKNN k-最近邻分类
ClassificationPartitionedModel 交叉验证分类模型

主题

相关信息