主要内容

最近的邻居

K.- 最终邻居分类

训练A.K.- 最邻居模型，使用分类学习者应用程序。为了更大的灵活性，火车aK.-最近邻模型使用Fitcknn.在命令行界面中。通过将模型和预测器数据传递给培训，预测标签或估计后验概率预测。

应用

分类学习者 火车模型以使用监督机器学习对数据进行分类

职能

展开全部

Fitcknn. 适合K.- 最终邻居分类器
令人疲惫的 创建详尽的最近邻搜索者
KDTreeSearcher 创建K.d树最近邻搜索器
创造 创建最近的邻居搜索器对象
石灰 本地可解释模型 - 不可知的解释（石灰）
部分竞争 计算部分依赖
绘图竞争依赖性 创建部分依赖图（PDP）和个人有条件期望（ICE）情节
福芙 福利价值观
横梁 交叉验证机器学习模型
Kfoldedge 交叉验证分类模型的分类边缘
Kfoldloss. 交叉验证分类模型的分类损失
kfoldfun. 交叉验证功能进行分类
kfoldMargin 交叉验证分类模型的分类裕度
Kfoldpredict 对交叉验证的分类模型进行分类观察
损失 lossK.- 最终邻居分类器
resubloss. 重新提交分类损失
CompareHoldout. 使用新数据比较两个分类模型的精度
边缘 的边缘K.- 最终邻居分类器
利润 边缘K.- 最终邻居分类器
重新提交 重新提交分类边缘
resubMargin 重新取款分类保证金
testckfold. 通过重复的交叉验证比较两个分类模型的精度
预测 预测标签使用K.- 最终邻居分类模型
重新预订 使用培训的分类器对培训数据进行分类
收集 收集属性统计和机器学习工具箱来自GPU的对象
Pdist. 成对观察值之间的成对距离
PDIST2. 两组观测之间的成对距离

对象

展开全部

ClassificationKnn. K.- 最终邻居分类
ClassificationededModel. 旨在分类模型

话题

使用分类学习应用程序训练最近邻分类器

创建和比较最近的邻邻分类器，并导出培训的模型来对新数据进行预测。

可视化不同分类器的决策表面

此示例显示如何为不同的分类算法可视化决策表面。

监督学习工作流程和算法

了解监督学习的步骤和非参数分类和回归函数的特点。

使用最近邻居分类

使用各种距离指标在培训数据集中分类数据点以基于培训数据集的距离。

相关信息

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书