金宝app支持矢量机器分类

金宝app支持矢量机器，用于二进制或多字母分类

在低通过中维数据集上，培训二进制SVM模型或包含SVM二进制学习者的二进制SVM模型或多种误差校正输出代码（ECOC）模型的更高的准确性和内核函数选择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或培训由二进制SVM学习者组成的多种多组ECOC模型使用fitcecoc。

对于高维数据集的计算时间，有效地培训二进制，线性分类模型，例如线性SVM模型，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。

对于具有大数据的非线性分类，培训二进制，高斯内核分类模型使用fitckernel。

应用

分类学习者

使用有监督的机器学习训练模型来分类数据

块

分类vm预测

使用支持向量机（SVM）分类器进行分类观测，用于单级和二金宝app进制分类

职能

展开全部

二进制支持向量机

`fitcsvm`	训练支持向量金宝app机分类器用于一类和二值分类
`fitsvmposterior.`	适合后概率
`预测`	使用支持向量机（SVM）分类器分类观察金宝app
`templatesvm.`	金宝app支持矢量机器模板

二元线性分类

`FitClinear.`	适合二进制线性分类器到高维数据
`预测`	用于线性分类模型的标签
`TemplateLinear.`	线性分类学习者模板

二进制内核分类

`fitckernel`	适用于随机功能扩展的拟合二元高斯内核分类器
`预测`	预测高斯内核分类模型的标签
`TemplateKernel.`	内核模型模板

多牌ecoc

`fitcecoc`	适用于支持向量机或其他分类器的多键模型金宝app
`预测`	使用多批分纠错输出代码（ECOC）模型来分类观察
`templateECOC`	纠错输出代码学习者模板

课堂

展开全部

二进制支持向量机

`ClassificationSVM`	金宝app支持向量机（SVM）用于单级和二进制分类
`CompactClassificationSVM`	紧凑型支持向量机金宝app（SVM）用于单级和二进制分类
`ClassificationPartitionedModel.`	旨在分类模型

二元线性分类

`ClassificationLinear`	高维数据二进制分类的线性模型
`分类分类线性`	用于高维数据二进制分类的交叉验证的线性模型

二进制内核分类

`ClassificationKernel.`	高斯内核分类模型使用随机特征扩展
`ClassificationPartitionedKernel`	交叉验证的二元内核分类模型

多牌ecoc

`ClassificeCoc.`	支持向量机(svm)等分类器的多类模型金宝app
`CompactClassificyCoc.`	支持向量机（SVM）和其他分类器的紧凑型多键模型金宝app
`ClassificationPartitionedECOC`	用于支持向量机（SVM）和其他分类器的交叉验证的多种子体ECOC模型金宝app
`ClassificationPartitionedLinearECOC`	用于多尺寸数据的多级数据分类的交叉验证的线性纠错输出代码模型
`ClassificationPartitionedKernelECOC`	多款分类的交叉验证内核纠错输出代码（ECOC）模型