最近的邻居
k最近的邻居分类
培养一个k最近的邻居模型,使用分类学习者应用。为了实现更高的灵活性,训练k最近的邻居模型使用fitcknn
在命令行界面。训练后,预测标签或估计后验概率通过模型和预测数据预测
。
应用程序
分类学习者 | 火车模型使用监督机器学习分类数据 |
块
ClassificationKNN预测 | 观察使用最近邻分类模型进行分类 |
功能
创建最近邻模型
fitcknn |
适合k最近的邻居分类器 |
创建最近邻搜索
ExhaustiveSearcher |
建立详尽的最近邻搜索器 |
KDTreeSearcher |
创建Kd-tree最近邻搜索 |
createns |
创建最近邻搜索器对象 |
解释最近邻模型
石灰 |
本地可model-agnostic解释(石灰) |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
沙普利 |
沙普利值 |
旨在
crossval |
旨在机器学习模型 |
kfoldEdge |
分类旨在分类模型的边缘 |
kfoldLoss |
分类损失旨在分类模型 |
kfoldfun |
旨在功能分类 |
kfoldMargin |
分类利润率旨在分类模型 |
kfoldPredict |
观察在旨在分类模型进行分类 |
测量性能
损失 |
的损失k最近的邻居分类器 |
resubLoss |
Resubstitution分类损失 |
compareHoldout |
比较两种分类模型使用新数据的精度 |
边缘 |
的边缘k最近的邻居分类器 |
保证金 |
保证金的k最近的邻居分类器 |
resubEdge |
Resubstitution分类边缘 |
resubMargin |
Resubstitution分类保证金 |
testckfold |
比较两种分类模型的精度重复交叉验证 |
分类的观察
预测 |
预测标签使用k最近的邻居分类模型 |
resubPredict |
使用训练数据训练分类器进行分类 |
收集最近邻模型的属性
收集 |
收集的属性统计和机器学习工具对象从GPU |
对象
最近邻分类模型
ClassificationKNN |
k最近的邻居分类 |
ClassificationPartitionedModel |
旨在分类模型 |
主题
- 使用分类学习者应用最近邻分类器训练
创建和最近邻分类器进行比较,和出口训练模型对新数据进行预测。
- 可视化决定表面不同的分类器
这个例子展示了如何可视化决定表面不同的分类算法。
- 监督学习工作流程和算法
理解监督学习的步骤和非参数分类和回归函数的特点。
- 分类使用最近的邻居
分类数据点根据其距离点一个训练数据集,使用各种距离度量。
相关信息
- 说话者识别使用沥青和MFCC(音频工具箱)
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。万博1manbetx
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。