分类学习者应用
在各种算法中选择训练和验证分类模型的二进制或多类问题。在训练多个模型后,将它们的验证错误并排比较,然后选择最佳的模型。要帮助您决定使用哪种算法,请参阅分类学习者应用中的训练分类模型.
这个流程图显示了在classification Learner app中训练分类模型或分类器的通用工作流程。
应用程序
分类学习者 | 使用监督机器学习训练模型分类数据 |
主题
通用工作流
用于培训、比较和改进分类模型的工作流程,包括自动、手动和并行培训。
将数据从工作空间或文件导入Classification Learner,查找示例数据集,并选择交叉验证或拒绝验证选项。
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的选项。金宝app
比较模型精度分数,通过绘制类预测图来可视化结果,并在混乱矩阵中检查每个类的性能。
通过分类学习器的训练,将模型输出到工作空间,生成MATLAB®代码,生成C代码用于预测,或者导出模型用于部署MATLAB生产服务器™.
创建和比较分类树,并导出训练有素的模型以对新数据进行预测。
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。
创建和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。
创建和比较朴素的贝叶斯分类器,并导出训练过的模型来对新数据进行预测。
创建和比较支持向量机(SVM)分类器,金宝app并输出训练过的模型,以对新数据进行预测。
创建和比较最近邻分类器,并导出训练过的模型,以对新数据进行预测。
创建和比较内核近似分类器,并导出训练过的模型来预测新数据。
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。
创建和比较神经网络分类器,并导出训练过的模型,对新数据进行预测。
定制的工作流
使用图识别有用的预测器,手动选择包含的特征,并在分类学习器中使用PCA变换特征。
在训练任何分类模型之前,指定与将一个类的观察结果错误分类到另一个类相关的代价。
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。
利用超参数优化自动调整分类模型的超参数。
用优化的超参数训练分类支持向量机模型。金宝app
导入一个测试集到分类学习者,并检查测试集度量表现最佳的训练模型。
导出和定制培训前后创建的地块。
使用classification Learner app训练分类模型,并生成C/ c++预测代码。
这个例子展示了如何使用Classification Learner来训练一个逻辑回归模型,然后生成C代码来使用导出的分类模型来预测标签。
在分类学习器中训练一个模型,并将其输出以部署到MATLAB生产服务器.