이번역페이지는최신내용을담고있지않습니다。최신내용을문으로보려면여기를클릭하십시오。
최근접이웃
K -최근접이웃분류
K -최근접이웃모델을훈련시키려면분류학습기앱을사용하십시오。명령줄터페이스에서fitcknn
을사용하여k-최근접이웃모델을훈련시키면유연성을높일수있습니다。훈련후에는모델과예측변수데이터를预测
에전달하여레이블을예측하거나사후확률을추정합니다。
앱
분류학습기 | 머신러닝지도학습을사용하여데이터를분류하도록모델훈련시키기 |
함수
최근접이웃모델만들기
fitcknn |
K -최근접이웃분류기피팅 |
최근접이웃탐색기만들기
ExhaustiveSearcher |
创建详尽的最近邻搜索器 |
KDTreeSearcher |
创建Kd-tree最近邻搜索器 |
createns |
创建最近邻搜索对象 |
최근접이웃모델해석하기
石灰 |
局部可解释模型不可知解释(LIME) |
partialDependence |
计算部分依赖关系 |
plotPartialDependence |
创建部分依赖图(PDP)和个别条件期望图(ICE) |
沙普利 |
沙普利值 |
교차검하기
crossval |
交叉验证机器学习模型 |
kfoldEdge |
交叉验证分类模型的分类边 |
kfoldLoss |
交叉验证分类模型的分类损失 |
kfoldfun |
分类的交叉验证功能 |
kfoldMargin |
交叉验证分类模型的分类边际 |
kfoldPredict |
在交叉验证的分类模型中对观测数据进行分类 |
성능측정하기
损失 |
k-最近邻分类器的损失 |
resubLoss |
再置换分类损失 |
compareHoldout |
比较使用新数据的两种分类模型的准确性 |
边缘 |
k-最近邻分类器的边 |
保证金 |
k-最近邻分类器的边缘 |
resubEdge |
再置换分类边 |
resubMargin |
再置换分类边际 |
testckfold |
通过重复交叉验证比较两种分类模型的准确性 |
관측값분류하기
预测 |
使用k-最近邻分类模型预测标签 |
resubPredict |
使用训练过的分类器对训练数据进行分类 |
최근접이웃모델의속성모으기
收集 |
收集属性统计和机器学习工具箱来自GPU的对象 |
객체
최근접이웃분류모델
ClassificationKNN |
K -최근접이웃분류 |
ClassificationPartitionedModel |
交叉验证分类模型 |
도움말항목
- 使用分类学习应用程序训练最近邻分类器
创建并比较最近邻分类器,并导出训练过的模型,以对新数据进行预测。
- 可视化不同分类器的决策曲面
这个例子展示了如何可视化不同分类算法的决策面。
- 지도학습워크플로와알고리즘
지도학습의단계와비모수적분류및회귀함수의특성을알아봅니다。
- 최근접이웃을사용한분류
다양한거리측정법을사용하여훈련데이터세트에포함된점까지의거리를기준으로데이터점을분류합니다。
관련 정보
- 使用音调和MFCC识别说话人(音频工具箱)
Matlab명령
다음matlab명령에해당하는링크를클릭했습니다。
명령을실행하려면matlab명령창에입력하십시오。웹브라우저는matlab명령을지원하지않습니다。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。