金宝app支持向量机分类

金宝app用于二类或多类分类的支持向量机

为了在中低维数据集上获得更高的精度和核函数选择，使用分类学习者为了获得更大的灵活性，使用命令行界面来训练二进制SVM模型使用fitcsvm或者使用fitcecoc.

为了减少对高维数据集的计算时间，使用fitclinear或者训练一个由支持向量机模型组成的多类ECOC模型fitcecoc.

对于大数据的非线性分类，使用fitckernel.

应用程序

使用有监督的机器学习训练模型来分类数据

分类	使用支持向量机（SVM）分类器对观测值进行一类和二类分类金宝app

`fitcsvm`	训练支持向量金宝app机分类器用于一类和二值分类
`fitSVMPosterior`	拟合后验概率
`预测`	使用支持向量机（SVM）分类器对观测值进行分类金宝app
`模板支持向量机`	金宝app支持向量机模板

`ClassificationSVM`	金宝app一类二值分类的支持向量机（SVM）
`CompactClassificationSVM`	用于一类和二类分金宝app类的紧凑型支持向量机（SVM）
`分类分区模型`	旨在分类模型

`ClassificationLinear`	高维数据二元分类的线性模型
`分类分区线性`	高维数据二元分类的交叉验证线性模型

`分类核`	基于随机特征展开的高斯核分类模型
`ClassificationPartitionedKernel`	交叉验证的二元核分类模型

`分类`	支持向量机(svm)等分类器的多类模型金宝app
`紧凑分类`	支持向量机（SVM）和其他分类器的紧凑多类模型金宝app
`ClassificationPartitionedECOC`	支持向量机（SVM）和其他分类器的交叉验证多类ECOC模型金宝app
`ClassificationPartitionedLinearECOC`	高维数据多类分类的交叉验证线性纠错输出码模型
`ClassificationPartitionedKernelECOC`	用于多类分类的交叉验证核纠错输出码（ECOC）模型