主要内容

分类学习者

火车模型使用监督机器学习分类数据

扩展所有的页面

描述

的分类学习者应用列车模型对数据进行分类。使用此应用程序,您可以探索监督机器学习使用不同的分类器。探索你的数据,可以选择特性,指定验证计划,火车模型和评估结果。您可以执行自动化培训搜索最好的分类模型类型,包括决策树、判别分析、支持向量机、逻辑回归,最近的邻居,朴素贝叶斯、内核近似,合奏,神经网络分类。万博1manbetx

您可以执行监督机器学习通过提供一组已知的输入数据(观察或例子)和已知的反应(标签或类)的数据。你使用数据训练模型,生成响应的预测新数据。利用新的数据模型,或学习编程的分类,您可以导出模型的工作区或生成MATLAB®代码重新训练模型。

提示

首先,在分类器列表中,试一试所有Quick-To-Train训练模型的选择。看到自动分类器训练。

所需的产品s manbetx 845

  • MATLAB

  • 统计和机器学习的工具箱™

分类学习者应用

开放分类学习者应用

  • MATLAB将来发布:应用程序选项卡,在机器学习,点击应用程序图标。

  • MATLAB命令提示:输入classificationLearner。

例子

编程使用

全部展开

classificationLearner打开分类学习者应用或带来专注应用如果它已经开放。

ResponseVarName classificationLearner(台)打开分类学习者应用和填充新会话从参数对话框中包含的数据表资源描述。的ResponseVarName向量参数,指定为一个字符或字符串标量,响应变量的名称资源描述包含的类标签。响应变量不能包含超过500个独特的类标签。其余的变量资源描述预测变量。

classificationLearner(资源描述,Y)打开分类学习者应用和填充的新会话参数与表中的预测变量对话框资源描述和类标签的向量Y。您可以指定响应Y作为一个分类数组,字符数组,字符串数组,逻辑矢量,特征向量的数值向量,或单元阵列。Y不能包含超过500个独特的类标签。

classificationLearner (X, Y)打开分类学习者应用和填充新会话的参数对话框n——- - - - - -p预测矩阵X和n类标签向量中Y。每一行的X对应于一个观察,每一列对应一个变量。的长度Y的行数X必须是相等的。Y不能包含超过500个独特的类标签。

classificationLearner (___、名称、值)指定交叉验证选择使用一个或多个下列名称的参数除了任何输入参数组合在前面的语法。例如,您可以指定“KFold”, 10使用10倍交叉验证方案。

  • “CrossVal”,指定为“上”(默认)或“关闭”交叉验证标志。如果您指定“上”,那么应用程序使用5倍交叉验证。如果您指定“关闭”,那么应用程序使用resubstitution验证。

    你可以覆盖“CrossVal”通过使用交叉验证设置“坚持”或“KFold”名称-值参数。您可以指定这些参数中只有一个。

  • “坚持”,指定为一个数字标量范围内(0.05,0.5),数据的一部分用于抵抗验证。应用程序使用剩余的数据训练(和测试,如果指定)。

  • “KFold”指定为一个正整数,范围50[2],是折叠的数量使用交叉验证。

  • “TestDataFraction”,指定为一个数字标量范围(0,0.5),数据的一部分是留给测试。

classificationLearner(文件名)打开分类学习者应用与以前保存的会话文件名。的文件名向量参数,指定为一个字符或字符串标量,必须包括一个分类学习者会话文件的名称和路径的文件,如果不是在当前文件夹。该文件必须扩展.mat。

限制

  • 分类学习者不支持模型部署万博1manbetxMATLAB生产服务器™在MATLAB在线™。

版本历史

介绍了R2015a

另请参阅

应用程序

功能