k最近的邻居分类
ClassificationKNN
近邻分类模型中,你可以改变的距离度量和最近的邻居的数量。因为一个ClassificationKNN
分类器存储训练数据,您可以使用该模型来计算resubstitution预测。另外,使用模型分类新观察使用预测
方法。
创建一个ClassificationKNN
模型使用fitcknn
。
compareHoldout |
比较两种分类模型使用新数据的精度 |
crossval |
旨在机器学习模型 |
边缘 |
的边缘k最近的邻居分类器 |
收集 |
收集的属性统计和机器学习工具对象从GPU |
石灰 |
本地可model-agnostic解释(石灰) |
损失 |
的损失k最近的邻居分类器 |
保证金 |
保证金的k最近的邻居分类器 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
预测 |
预测标签使用k最近的邻居分类模型 |
resubEdge |
Resubstitution分类边缘 |
resubLoss |
Resubstitution分类损失 |
resubMargin |
Resubstitution分类保证金 |
resubPredict |
使用训练数据训练分类器进行分类 |
沙普利 |
沙普利值 |
testckfold |
比较两种分类模型的精度重复交叉验证 |
的紧凑的
功能减少了大部分的大小分类模型的训练数据属性和其他属性,不需要预测新观测的标签。因为k最近的邻居要求所有分类模型的训练数据来预测标签,你不能减少的大小ClassificationKNN
模型。
knnsearch
找到了k最近的邻居的点。rangesearch
发现所有的点在一个固定的距离。您可以使用这些功能分类,如图所示分类查询数据。如果你想进行分类,然后利用ClassificationKNN
模型可以更方便因为你可以训练一个分类器(使用一步fitcknn
(使用)和分类在其他步骤预测
)。或者,您可以训练k最近的邻居分类模型使用交叉验证的选项调用fitcknn
。在这种情况下,fitcknn
返回一个ClassificationPartitionedModel
旨在模型对象。