常见的工作流程

在分类学习应用火车站分类模型

工作流进行训练，比较和改进的分类模型，包括自动，手动和平行训练。

选择数据和验证的分类问题

从工作区或文件导入数据到分类学习，找到示例数据集，并选择交叉验证或坚持验证选项。

选择分类器选项。

在分类学习，自动训练选择的模型，或者决策树，判别分析，逻辑回归，朴素贝叶斯，支持向量机，最近的邻居，和合奏模式比较和调整选项。万博1manbetx

评估分类器性能的分类学习

通过绘制类预测比较模型的准确性分数，可视化效果，并在混淆矩阵检查每级的性能。

出口分类模型预测新数据

在分类学习培训结束后，出口车型到工作区，生成MATLAB^®代码，或生成用于预测的C代码。

火车决策树采用分级学习应用

创建和比较分类树，并导出经过训练的模型来对新数据进行预测。

火车判别分析量词使用分类学习应用

创建和比较判别分析分类，并出口训练的模型来为新数据的预测。

火车Logistic回归量词使用分类学习应用

创建和比较logistic回归分类，并出口训练的模型来为新数据的预测。

训练朴素贝叶斯分类使用分类学习应用

创建和比较朴素贝叶斯分类，并出口训练的模型来为新数据的预测。

使用Clas万博1manbetxsification Learner App训练支持向量机

创建和比较支持向量机（SVM）分类，并万博1manbetx出口训练的模型来为新数据的预测。

培养最邻近分类法采用分级学习应用

创建和比较近邻分类，并出口训练的模型来为新数据的预测。

使用分类学习者应用程序训练集成分类器

创建和比较集成分类，并出口训练的模型来为新数据的预测。

自定义工作流

特征选择和特征变换使用分类学习应用

使用图识别有用的预测器，手动选择要包含的特征，并使用PCA在分类学习中转换特征。

分类学习者应用中的误分类代价

在训练任何分类模型之前，请明确将一个类别的观察值误分类为另一个类别的代价。

火车和比较量词在分类学习应用程序中使用误分类损失

指定误分类成本后创建的分类和比较的准确性和模型的总体误判成本。

分类学习应用中的超参数优化

使用超参数优化自动调优分类模型的超参数。

利用超参数优化对分类器进行训练

训练一个超参数优化的分类支持向量机模型。万博1manbetx

在分类学习应用导出地块

出口和自定义图表培训前后创建。

代码生成和分类学习者应用

使用classification Learner app训练分类模型，生成C/ c++代码进行预测。