分类学习者是统计和机器学习工具盒中的一个新应用程序，您可以允许您使用监督机器学习对数据进行分类以对数据进行分类。分类学习者允许您执行常用机器学习任务，例如导入数据，指定验证方案，交互式探索您的数据，选择功能，培训模型和评估模型性能。您可以从多种分类类型中选择，包括决策树，支持向量机，最近的邻居和集合方法，包括备份，提升和随机子空间方法。金宝app您还可以将分类模型导出到MATLAB工作区，以生成新数据的预测，或者生成MATLAB代码将列车模型集成到计算机视觉，信号处理或数据分析等应用程序中。

您可以通过在MATLAB命令行上键入分类学习者来启动分类学习者，所有这些都通过单击应用程序库中的“分类学习者”应用程序。分类学习者允许您从矩阵或表导入数据。该应用程序可以根据数据类型自动识别您的预测器和响应变量。下一步是选择用于检查拟合模型的预测精度的验证方案。选择k折交叉验证，持有或重新提交。

成对散点图让您探索您的重要预测因素，异常值和视觉模式或趋势的数据。在解决分类问题时，没有一种尺寸适合所有。不同的分类器最适合不同类型的问题和数据集。分类器库中提供的选项是适用于一系列不同分类问题的重要起点。如果您不确定选择哪个，弹出刀具提示为您提供了对每个分类器的简要说明。

培训一个新的模型很容易。首先，只需在库中选择一个分类器预设。接下来，点击火车。当前模型窗格显示有关模型的有用信息，例如模拟机类型，预设，所选功能和模型的状态，如果培训，未培训或培训。培训模型后，请检查历史记录列表以查看验证集上的分类器的准确性。

分类学习者让您快速培训多个模型。对于每个培训的模型，您可以通过检查轨迹部分的散点图，混淆矩阵和ROC曲线中的结果进行比较模型性能。在散点图上，交叉辛迪加错误分类点。困惑矩阵允许您评估当前所选的分类器如何在每个类中执行。一种主导的对角线混淆矩阵表示良好的分类器，因为所有预测标签都匹配实际标签。关闭对角线编号表示错误分类的点。

ROC或RECERIVER操作特征曲线，显示了对分类器输出的不同阈值的真正阳性率与假阳性率。没有错误分类点的完美结果是绘图左上角的直角。曲线下的区域是分类器整体质量的衡量标准。基于您的模型评估，如果您决定进一步改进模型，则可以尝试使用低预测电源的功能删除功能，或者使用高级选项更改分类器设置。

在分类学习者交互式地创建分类模型后，您可以导出最佳执行模型，由绿色框显示。单击导出，模型应显示在MATLAB工作区中。您可以使用此培训的模型来对新数据进行预测。您还可以为您的最佳模型生成MATLAB代码，以培训新数据上的分类器，或将代码集成到其他计算机学习应用程序中。

在使用分类学习者时，帮助总是只需点击一下。只需使用右上角的“帮助”按钮导航到文档，以查找类别学习者所需的所有信息。例如，此处的表显示了根据选择的准确性，速度和内存折衷，为您提供关于选择合适分类器的指导。

要获取有关分类学习者的其他信息，以及查看和下载示例数据集，请访问“分类学习者”页面。您可以通过单击应用程序访问页面，然后从统计信息和机器学习工具框中的分类学习者。这一总结了对分类学习者的视频介绍。谢谢你的观看。