各种算法进行训练和验证分类模型为二进制或多类问题中进行选择。训练多个模型后,比较它们的验证错误并排侧,然后选择最好的模型。为了帮助您决定要使用的算法,见在分类学习应用火车站分类模型。
该流程图显示了训练分类模型,或分类,在分类学习者应用常见的工作流程。
分类学习 | 使用监督机器学习模型火车来分类数据 |
工作流进行训练,比较和改进的分类模型,包括自动,手动和平行训练。
从工作区或文件导入数据到分类学习,找到示例数据集,并选择交叉验证或坚持验证选项。
在分类学习,自动训练选择的模型,或者决策树,判别分析,逻辑回归,朴素贝叶斯,支持向量机,最近的邻居,和合奏模式比较和调整选项。万博1manbetx
通过绘制类预测比较模型的准确性分数,可视化效果,并在混淆矩阵检查每级的性能。
在分类学习培训结束后,出口车型到工作区,生成MATLAB®代码,或生成用于预测的C代码。
创建并比较分类树,导出经过训练的模型来预测新数据。
创建和比较判别分析分类,并出口训练的模型来为新数据的预测。
创建和比较logistic回归分类,并出口训练的模型来为新数据的预测。
创建和比较朴素贝叶斯分类,并出口训练的模型来为新数据的预测。
创建和比较支持向量机(SVM)分类,并万博1manbetx出口训练的模型来为新数据的预测。
创建和比较近邻分类,并出口训练的模型来为新数据的预测。
创建和比较集成分类,并出口训练的模型来为新数据的预测。
使用plot识别有用的预测器,手动选择要包含的特性,并在分类学习器中使用PCA转换特性。
在培训任何分类模型之前,请指定将一个类的观察结果错误分类到另一个类的相关成本。
指定误分类成本后创建的分类和比较的准确性和模型的总体误判成本。
利用超参数优化自动调整分类模型的超参数。
用优化的超参数训练分类支持向量机模型。万博1manbetx
出口和自定义图表培训前后创建。
使用分类学习app训练分类模型,生成C/ c++代码进行预测。