このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
低~中次元のデータセットで精度を向上させカーネル関数を選択するには,分類学習器アプリを使用して,SVMバイナリ学習器が含まれているマルチクラス誤り訂正出力符号(ECOC)モデルまたはバイナリSVMモデルに学習をさせます。柔軟性を向上させるには,コマンドラインインターフェイスでfitcsvm
を使用してバイナリSVMモデルに学習をさせるか,fitcecoc
を使用してバイナリSVM学習器から構成されるマルチクラスECOCモデルに学習をさせます。
高次元データセットの計算時間を短縮するには,fitclinear
を使用して線形SVMモデルなどのバイナリ線形分類モデルに効率的に学習をさせるか,fitcecoc
を使用してSVMモデルから構成されるマルチクラスECOCモデルに学習をさせます。
ビッグデータが含まれている非線形分類の場合は,fitckernel
を使用してバイナリガウスカーネル分類モデルに学習をさせます。
分類学習器 | 教師あり機械学習を使用して,データを分類するようにモデルを学習させる |
ClassificationSVM预测 | 1クラスおよびバイナリ分類用のサポートベクターマシン(SVM)分類器を使用した観測値の分類 |
サポートベクターマシン(SVM)分類器を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートします。
分離超平面とカーネル変換を使用してSVMでバイナリ分類を実行します。
ClassificationSVM预测ブロックの使用によるクラスラベルの予測
この例ではClassificationSVM预测ブロックを仿真软件®のラベ万博1manbetxル予測に使用する方法を示します。
ウェーブレットベースの特徴とサポートベクターマシンを使用した信号分類(小波工具箱)
心音图数据的小波时间散射分类(小波工具箱)