通用工作流程

分类学习者应用中的火车分类模型

用于培训，比较和改进分类模型的工作流程，包括自动化，手动和并行培训。

选择分类问题的数据和验证

将数据从工作区或文件中导入分类学习者，查找示例数据集，然后选择交叉验证或保留验证选项。

选择分类器选项

在分类学习者中，会自动训练模型的选择，或在决策树，判别分析，逻辑回归，天真的贝叶斯，支持向量机，最近的邻居，内核近似，集合和神经网络模型中进行比较和调整选项。金宝app

评估分类学习者的分类器表现

比较模型精度得分，通过绘制类预测来可视化结果，并在混淆矩阵中检查每个类别的性能。

导出分类模型预测新数据

在分类学习者培训后，将模型导出到工作区，生成MATLAB^®代码，生成用于预测的C代码，或用于部署的导出模型MATLAB生产服务器™。

使用分类学习者应用程序训练决策树

创建和比较分类树和导出训练有素的模型，以对新数据进行预测。

使用分类学习者应用程序的训练判别分析分类器

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。

使用分类学习者应用程序培训逻辑回归分类器

创建和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。

使用分类学习者应用程序培训幼稚的贝叶斯分类器

创建和比较天真的贝叶斯分类器，并导出经过训练的模型，以对新数据进行预测。

使用分类学习金宝app者应用程序的火车支持向量机

创建和比较支持向量机（SVM）分类器，金宝app并导出经过训练的模型以对新数据进行预测。

使用分类学习者应用程序培训最近的邻居分类器

创建和比较最近的邻居分类器，并导出经过训练的模型以对新数据进行预测。

使用分类学习者应用程序训练内核近似分类器

创建和比较内核近似分类器，并导出经过训练的模型以对新数据进行预测。

使用分类学习者应用程序训练合奏分类器

创建和比较合奏分类器和导出训练有素的模型以对新数据进行预测。

使用分类学习者应用程序培训神经网络分类器

创建和比较神经网络分类器，并导出经过训练的模型以对新数据进行预测。

定制的工作流程

使用分类学习者应用程序的功能选择和功能转换

使用图，在分类学习者中使用PCA来确定有用的预测因素，并选择要包含的功能并转换功能。

分类学习者应用程序中的错误分类成本

在培训任何分类模型之前，请指定与将一个类别的观察结果划分为另一个类别相关的成本。

在分类学习者应用中使用错误分类成本进行培训和比较分类器

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分类成本。

分类学习者应用程序中的超参数优化

通过使用超参数优化来自动调整分类模型的超参数。

在分类学习者应用中使用超参数优化的火车分类器

使用优化的超参数训练分类支持向量机（SVM）模金宝app型。

使用分类学习者应用中的测试集检查分类器性能

将测试集导入分类学习者，并检查测试集指标是否表现最好的训练有素。

分类学习者应用中的导出图

培训前后创建的导出和自定义图。

代码生成和分类学习者应用程序

使用分类学习者应用训练分类模型，并生成C/C ++代码进行预测。

分类学习者培训的逻辑回归模型的代码生成

此示例显示了如何使用分类学习者训练逻辑回归模型，然后生成C代码，该C代码使用导出的分类模型预测标签。

部署在分类学习者中培训的模型到MATLAB生产服务器

在分类学习者中培训模型，并将其导出到部署到MATLAB生产服务器。