一般的なワクフロ

分類学習器アプリにおける分類モデルの学習

自動，手動および並列学習など，分類モデルの学習，比較および改善を行うためのワ，クフロ，です。

デ，タの選択と分類問題の検証

ワークスペースまたはファイルから分類学習器にデータをインポートし,サンプルデータセットを探し,交差検証またはホールドアウト検証オプションを選択します。

分類器のオプションの選択

分類学習器で,選択したモデルに自動的に学習させるか,決定木,判別分析,ロジスティック回帰,単純ベイズ,サポートベクターマシン,最近傍,アンサンブルおよびニューラルネットワークモデルでオプションを比較および調整する。

分類学習器における分類器の性能評価

モデルの精度のスコアを比較し,クラスの予測をプロットすることにより結果を可視化し,混同行列でクラスごとの性能をチェックします。

新しいデ，タを予測するための分類モデルのエクスポ，ト

分類学習器で学習を行った後で，モデルをワ，クスペ，スにエクスポ，トし，予測用のmatlab^®コドまたはcコドを生成します。

分類学習器アプリを使用した決定木の学習

分類木を作成および比較し，新しいデタにいて予測を行うため学習済みモデルをエクスポトします。

分類学習器アプリを使用した判別分析分類器の学習

判別分析分類器を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートします。

分類学習器アプリを使用したロジスティック回帰分類器の学習

ロジスティック回帰分類器を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートします。

分類学習器アプリの使用による単純ベ@ @ズ分類器の学習

単純ベイズ分類器を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートする。

分類学習器アプリを使用したサポ，トベクタ，マシンの学習

サポートベクターマシン(SVM)分類器を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートします。

分類学習器を使用した最近傍分類器の学習

最近傍分類器を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートします。

分類学習器アプリを使用したアンサンブル学習器の学習

アンサンブル分類器を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートします。

分類学習器アプリを使用したニュ，ラルネットワ，ク分類器の学習

ニューラルネットワーク分類器を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートする。

カスタマズされたワクフロ

分類学習器アプリの使用による特徴選択と特徴変換

プロットを使用して有用な予測子を識別し,含める特徴量を手動で選択し,分類学習器でPCAを使用して特徴量を変換します。

分類学習器アプリの誤分類コスト

分類モデルに学習させる前に，クラス間での観測値の誤分類に関連付けられるコストを指定します。

分類学習器アプリの誤分類コストを使用した分類器の学習および比較

誤分類コストを指定した後に分類器を作成し，モデルの精度および総誤分類コストを比較します。

分類学習器アプリのハパパラメタの最適化

ハパパラメタの最適化を使用して分類モデルのハパパラメタを自動的に調整します。

分類学習器アプリでハパパラメタの最適化を使用した分類器の学習

最適化されたハイパーパラメーターで分類サポートベクターマシン(SVM)モデルに学習させます。

分類学習器アプリにおける検定セットを使用した分類器の性能チェック

検定セットを分類学習器に。

分類学習器アプリのプロットのエクスポ，ト

学習の前後で作成したプロットをエクスポトおよびカスタマズします。

コ，ド生成と分類学習器アプリ

分類学習器アプリを使用して分類モデルに学習をさせ，予測用のc / c++コ，ドを生成する。

分類学習器で学習させたロジスティック回帰モデルのコ，ド生成

この例では,分類学習器を使用してロジスティック回帰モデルに学習させ,エクスポートされた分類モデルを使用してラベルを予測するCコードを生成する方法を示します。