应用程序分类学习者
Elija entre distintos algoritmos para entre和validar modelos de clasificación para problemas binarios o multiclase。Tras Enternar varios modelos，比较直接形式的错误，después，elija el-mejor modelo。美国领事馆副馆长quéalgoritmo usar在分类学习者应用程序中训练分类模型.
在应用程序分类学习者中，我们可以通过对分类模型、分类程序和应用程序分类学习者的分析来确定分类模型。
应用程序
| 分类学习者 | 使用有监督的机器学习训练模型来分类数据 |
特马
弗雷库恩特酒店
培训、比较和改进分类模型的工作流，包括自动化、手动和并行培训。
从工作空间或文件中将数据导入Classification Learner，找到示例数据集，并选择交叉验证或拒绝验证选项。
在分类学习器中，自动训练模型的选择，或在决策树、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中比较和调整选项。金宝app
比较模型的准确性分数，通过绘制类预测图来可视化结果，并在混淆矩阵中检查每个类的表现。
在分类学习者中进行培训后，将模型导出到工作空间，生成MATLAB®编码，生成用于预测的C代码，或将用于部署的模型导出到MATLAB生产服务器™.
创建和比较分类树，并导出训练过的模型来预测新数据。
创建和比较判别分析分类器，并导出经过训练的模型以对新数据进行预测。
创建并比较逻辑回归分类器，并导出经过训练的模型以对新数据进行预测。
创建和比较朴素贝叶斯分类器，并导出训练过的模型来预测新数据。
创建和比较支持向量机(SVM)分类器，金宝app并导出训练过的模型来对新数据进行预测。
创建并比较最近邻分类器，并导出经过训练的模型以对新数据进行预测。
创建和比较集成分类器，并导出经过训练的模型以对新数据进行预测。
创建和比较神经网络分类器，并导出经过训练的模型，以便对新数据进行预测。
特拉巴霍酒店
使用图识别有用的预测值，手动选择要包含的特征，并在分类学习器中使用PCA变换特征。
在培训任何分类模型之前，请指定将一个类别的观察结果错误分类为另一个类别的相关成本。
在指定错误分类成本后创建分类器，并比较模型的准确性和总错误分类成本。
利用超参数优化技术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
将测试集导入到Classification Learner中，并检查测试集指标以获得最佳的训练模型。
导出和自定义培训前后创建的绘图。
使用classification Learner app训练分类模型，并生成C/ c++代码用于预测。
此示例演示如何使用分类学习器训练逻辑回归模型，然后使用导出的分类模型生成预测标签的C代码。
给relacionada
你也可以从以下列表中选择一个网站:
