分类学习者

使用有监督的机器学习训练模型来分类数据

全部展开页面

描述

的分类学习者应用程序训练模型对数据进行分类。使用这个应用程序，你可以使用各种分类器探索有监督的机器学习。您可以探索数据、选择特性、指定验证方案、训练模型和评估结果。您可以执行自动训练以搜索最佳分类模型类型，包括决策树、判别分析、支持向量机、逻辑回归、最近邻、朴素贝叶斯、核近似、集成和神经网络分类。金宝app

您可以通过提供已知的输入数据集(观察或示例)和已知的数据响应(例如，标签或类)来执行有监督的机器学习。您可以使用这些数据来训练一个模型，该模型生成对新数据响应的预测。要使用带有新数据的模型，或了解编程分类，您可以将模型导出到工作空间或生成MATLAB^®重新创建训练过的模型的代码。

提示

要开始，请在Classifier列表中尝试所有Quick-To-Train训练精选的模型。看到自动分类器训练．

所需的产品下载188bet金宝搏

MATLAB
统计和机器学习工具箱™

注意:当你使用分类学习者MATLAB在线™，您可以使用云中心集群并行训练模型(需要并行计算工具箱™)。有关更多信息，请参见在MATLAB联机中使用云中心集群并行计算工具箱(并行计算工具箱)．

打开分类学习者应用程序

MATLAB工具条:关于应用程序选项卡,在机器学习，单击应用程序图标。
MATLAB命令提示符:输入classificationLearner．

例子

编程使用

全部展开

`classificationLearner`

classificationLearner打开分类学习者应用程序，或者如果应用程序已经打开，就把焦点放在它上面。

`ResponseVarName classificationLearner(台)`

ResponseVarName classificationLearner(台)打开分类学习者应用程序，并使用表中包含的数据填充来自参数的新会话对话框资源描述．的ResponseVarName参数，指定为字符向量或字符串标量，是响应变量的名称资源描述包含类标签的。剩下的变量资源描述是预测变量。

`classificationLearner(资源描述,Y)`

classificationLearner(资源描述,Y)打开分类学习者应用程序，并使用表中的预测变量填充来自参数的新会话对话框资源描述以及向量中的类标签Y．您可以指定响应Y作为分类数组、字符数组、字符串数组、逻辑向量、数字向量或字符向量的单元格数组。

`classificationLearner (X, Y)`

classificationLearner (X, Y)打开分类学习器应用程序，并使用n——- - - - - -p预测矩阵X和nvector中的类标签Y．每一行的X对应一个观察值，每一列对应一个变量。的长度Y的行数X必须是相等的。

`classificationLearner (＿＿＿、名称、值)`

classificationLearner (＿＿＿、名称、值)除了前面语法中的任何输入参数组合外，还使用下列一个或多个名称-值参数指定交叉验证选项。例如，可以指定“KFold”,10使用10倍交叉验证方案。

“CrossVal”,指定为“上”(默认)或“关闭”，是交叉验证标志。如果您指定“上”，然后应用程序使用5倍交叉验证。如果您指定“关闭”，然后应用程序使用再替换验证。
你可以重写“CrossVal”的交叉验证设置“坚持”或“KFold”名称-值参数。一次只能指定其中一个参数。
“坚持”，指定为范围[0.05,0.5]内的数字标量，是用于坚持不住验证的数据的分数。该应用程序使用剩下的数据进行培训。
“KFold”，指定为范围[2,50]的正整数，是用于交叉验证的折叠数。