Flujo de trabajo común

Modelos clasificación de trenes en la aplicación de aprendizaje de clasificación

Flujo de trabajo para la formación, comparación and the mejora delos modelos de clasificación，包括formación automatizada, manual and paralela。

为分类问题选择数据和验证

将数据从工作空间或文件导入Classification Learner，找到示例数据集，并选择交叉验证或保留验证选项。

选择分类器选项

在Classification Learner中，自动训练一组模型，或在决策树、判别分析、逻辑回归、朴素贝叶斯、支持向量机、最近邻、集成和神经网络模型中比较和调整选项。万博1manbetx

评价分类学习者中的分类器性能

比较模型的准确性得分，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。

导出分类模型来预测新数据

经过Classification Learner的训练，将模型导出到工作空间，生成MATLAB^®代码，或生成C代码进行预测。

使用分类学习应用训练决策树

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。

使用分类学习者应用程序训练判别分析分类器

创建和比较判别分析分类器，并导出训练好的模型来对新数据进行预测。

使用分类学习者应用程序训练Logistic回归分类器

创建并比较逻辑回归分类器，并导出经过训练的模型来对新数据进行预测。

使用分类学习应用训练朴素贝叶斯分类器

创建和比较朴素贝叶斯分类器，并导出训练好的模型来对新数据进行预测。

使用分类学习万博1manbetx应用程序训练支持向量机

创建并比较支持向量机(SVM)分类器，万博1manbetx并输出训练好的模型来对新数据进行预测。

使用分类学习应用程序训练最近邻分类器

创建和比较最近邻分类器，并导出训练过的模型来对新数据进行预测。

使用分类学习应用训练集成分类器

创建和比较集成分类器，并导出训练好的模型来对新数据进行预测。

个人的流动

基于分类学习应用的特征选择和特征转换

识别有用的预测器使用图，手动选择特征包括，并转换特征使用PCA在分类学习者。

分类学习应用中的误分类代价

在训练任何分类模型之前，指定将一类观察结果误分类到另一类的代价。

在分类学习应用程序中使用误分类代价训练和比较分类器

指定错分类代价后创建分类器，比较模型的准确率和总错分类代价。

分类学习应用中的超参数优化

利用超参数优化对分类模型的超参数进行自动优化。

在分类学习应用中使用超参数优化训练分类器

训练具有优化超参数的分类支持向量机(SVM)模万博1manbetx型。

在Classification Learner App中导出图

导出和定制训练前后创建的地块。

代码生成和分类学习者应用程序

使用classification Learner app训练一个分类模型，生成C/ c++代码进行预测。