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。
分类学习者 | 火车模型使用监督机器学习分类数据 |
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。
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。
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
比较模型准确性分数,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。
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™。
创建和比较分类树,和出口训练模型对新数据进行预测。
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。
创建和逻辑回归分类器相比,和出口训练模型对新数据进行预测。
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。
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。
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。
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。
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。
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。
识别有用的预测使用阴谋,包括手动选择特性,并在分类学习者使用PCA变换特性。
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。
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。
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。
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。
出口和定制情节训练之前和之后创建的。
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。
这个例子展示了如何使用分类学习者训练逻辑回归模型,然后生成C代码标签使用导出的分类预测模型。
火车模型分类学习者和导出部署MATLAB生产服务器。