共同的工作流程

在分类学习者应用程序中训练分类模型

培训、比较和改进分类模型的工作流，包括自动化、手动和并行培训。

选择数据和验证分类问题

从工作空间或文件中将数据导入Classification Learner，找到示例数据集，并选择交叉验证或拒绝验证选项。

选择分类器选项

在分类学习者中，自动培训各种型号，或比较和调整决策树的选项，判别分析，逻辑回归，天真贝叶斯，支持向量机，最近的邻居，集合和神经网络模型。万博1manbetx

评估分类学习者中的分类器性能

比较模型精度分数，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的性能。

导出分类模型以预测新数据

在分类学习者培训后，将模型导出到工作区，生成MATLAB^®代码，或生成用于预测的C代码。

使用分类学习程序训练决策树

创建和比较分类树，并导出训练过的模型来预测新数据。

使用分类学习者APP列车判别分析分类器

创建和比较判别分析分类器，并导出培训的模型来对新数据进行预测。

使用分类学习者应用程序列车物流回归分类器

创建和比较逻辑回归分类器，并导出培训的模型来对新数据进行预测。

使用分类学习者App列车天真贝叶斯分类器

创建和比较朴素贝叶斯分类器，并导出训练过的模型来预测新数据。

使用分类学习万博1manbetx程序训练支持向量机

创建和比较支持向量机（SVM）分类器，万博1manbetx以及导出培训的模型，以便对新数据进行预测。

使用分类学习应用程序训练最近邻分类器

创建和比较最近的邻邻分类器，并导出培训的模型来对新数据进行预测。

使用分类学习者应用程序列车集合分类器

创建和比较集合分类器，并导出培训的模型，以便对新数据进行预测。

使用分类学习应用程序训练神经网络分类器

创建和比较神经网络分类器，并导出培训的模型来对新数据进行预测。

自定义工作流程

使用分类学习者应用选择和功能转换

使用绘图识别有用的预测器，手动选择要包含的功能和使用PCA在分类学习者中使用PCA的功能。

分类学习者应用中的错误分类费用

在培训任何分类模型之前，请指定与错误分类一个类的观察相关的成本进入另一级。

在分类学习者应用程序中使用误分类代价训练和比较分类器

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错误分类成本。

分类学习者应用程序中的超参数优化

利用超参数优化技术自动调整分类模型的超参数。

在分类学习者应用中使用HyperParameter优化的火车分类器

用优化的超参数训练分类支持向量机模型。万博1manbetx

使用分类学习者应用中的测试集检查分类器性能

将测试集导入到Classification Learner中，并检查测试集指标以获得最佳的训练模型。

在分类学习者应用程序中导出地块

导出和定制培训前后创建的地块。

代码生成和分类学习者应用程序

使用classification Learner app训练分类模型，并生成C/ c++代码用于预测。

分类学习中训练Logistic回归模型的代码生成

此示例显示如何使用分类学习者培训Logistic回归模型，然后生成使用导出的分类模型预测标签的C代码。