模型建筑和评估
在构建高质量的预测分类模型时，选择合适的特征（或预测器）和调整超公数（未估计的型号参数）非常重要。
要调整特定模型的超级参数，请选择HyperParameter值并使用这些值交叉验证模型。例如，要调整SVM模型，请选择一组框约束和内核尺度，然后交叉验证每对值的模型。某些统计和机器学习工具箱™分类功能通过贝叶斯优化，网格搜索或随机搜索提供自动封路数据。但是，主要函数用于实施贝叶斯优化，Bayesopt.，足够灵活，可用于其他应用程序。看贝叶斯优化工作流程。
特征选择和HyperParameter调整可以产生多种型号。你可以比较K.- 售价率，接收器操作特征（Roc）曲线，或模型中的混淆矩阵。或者，进行统计测试以检测分类模型是否显着优于另一个。
自动选择具有调谐超参数的型号，使用fitcauto.。此函数尝试选择具有不同超参数值的分类模型类型，并返回最终模型，预计将在新数据上表现良好。采用fitcauto.当您不确定哪种分类器类型最适合您的数据。
以交互式建立和评估分类模型，使用分类学习者应用程序。
应用
| 分类学习者 | 火车模型以使用监督机器学习对数据进行分类 |
功能
对象
话题
分类学习者应用程序
用于培训，比较和改进分类模型的工作流程，包括自动化，手动和并行培训。
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。
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。
功能选择
了解要素选择算法并探索功能选择的功能。
本主题介绍了顺序特征选择，并提供了一个使用自定义标准顺序选择功能的示例序列功能。
邻域分量分析（NCA）是一种非参数方法，用于选择具有最大化回归和分类算法的预测准确性的目标。
此示例显示了如何调整正则化参数FSCNCA使用交叉验证。
通过删除预测器来制造更强大和更简单的模型，而不会影响模型的预测力。
此示例显示如何选择分类高维数据的功能。
HyperParameter优化
使用fit函数或调用Bayesopt.直接地。
为贝叶斯优化创建变量。
为贝叶斯优化创建目标函数。
为贝叶斯优化设置不同类型的约束。
使用贝叶斯优化最小化交叉验证损失。
优化SVM分类器使用Bayesian Optimization
使用使用的交叉验证损失最小化优化肝素名称值对在拟合功能中。
在视觉上监控贝叶斯优化。
监控贝叶斯优化。
了解贝叶斯优化的底层算法。
贝叶斯优化如何并行工作。
您还可以从以下列表中选择一个网站：
