要以交互方式生成分类树,请使用分类学习者为了获得更大的灵活性,使用fitctree
在命令行。在生成分类树之后,通过传递树和新的预测器数据来预测标签预测
.
分类学习者 | 使用有监督的机器学习训练模型来分类数据 |
ClassificationTree预测 | 使用决策树分类器对观察结果进行分类 |
ClassificationTree |
用于多类分类的二叉决策树 |
CompactClassificationTree |
紧凑的分类树 |
ClassificationPartitionedModel |
旨在分类模型 |
创建和比较分类树,并导出训练过的模型来预测新数据。
了解监督学习的步骤和非参数分类和回归函数的特点。
理解决策树以及如何使它们适合于数据。
为了种植决策树,fitctree
和fitrtree
对训练数据默认采用标准CART算法。
创建并查看经过训练的决策树的文本或图形描述。
这个例子展示了如何可视化不同分类算法的决策面。
学习在成长决策树的过程中最优地分割多级分类变量的启发式算法。
通过设置名称-值对参数来调优树fitctree
和fitrtree
.
使用训练过的分类和回归树预测类标签或响应。
使用训练过的回归树预测新数据的响应,然后绘制结果。
使用分类学习器应用程序训练分类决策树模型,然后使用ClassificationTree预测块用于标签预测。
从分类Simulink生成代码金宝app®为定点部署准备的模型。
在Arduino硬件上使用机器学习算法识别穿孔和伸缩手势(金宝appArdu金宝appino硬件Simulink支持包)
这个例子展示了如何使用Simulink®Arduino®硬件支持包来金宝app识别穿孔和金宝app弯曲手势使用机器学习算法。