应用分类学习器
恩，有效的调整模式clasificación相互作用的形式
Elija中心区分算法对中心有效模型clasificación对问题二进制和多分类。比较误差validación直接形式，después, elja el mejor modelo。Para decidir qué算法usar，顾问在分类学习App中训练分类模型．
Este flujo muestra un flujo trabajo ffrecuente para entrar modelos de clasificación, o分类器，en la app分类学习者。
应用程序
| 分类学习者 | 机器学习管理的先验模型和分类数据 |
特马
Flujo de trabajo frecuente
- 在分类学习App中训练分类模型
用于训练、比较和改进分类模型的工作流，包括自动、手动和并行训练。 - 选择分类数据或打开保存的应用程序会话
将数据从工作空间或文件导入Classification Learner，查找示例数据集，选择交叉验证或拒绝验证选项，并将数据预留用于测试。或者，打开之前保存的应用程序会话。 - 选择分类器选项
在分类学习器中，自动训练选择的模型，或比较和调整决策树、判别分析、逻辑回归、朴素贝叶斯、支持向量机、最近邻、核近似、集成和神经网络模型中的选项。 - 分类学习中分类器性能的可视化和评估
比较模型精度分数，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。 - 导出分类模型预测新数据
在Classification Learner中训练后，导出模型到工作空间，生成MATLAB®代码，生成用于预测的C代码，或导出用于部署的模型MATLAB生产服务器． - 使用分类学习应用程序训练决策树
创建和比较分类树，并导出训练过的模型，以对新数据进行预测。 - 使用分类学习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，并导出训练过的模型，以对新数据进行预测。 - 使用分类学习应用程序训练逻辑回归分类器
创建并比较逻辑回归分类器，并导出训练过的模型，以对新数据进行预测。 - 使用分类学习应用程序训练朴素贝叶斯分类器
创建和比较朴素贝叶斯分类器，并导出训练过的模型，以对新数据进行预测。 - 使用分类学习应用程序训练支持向量机
创建和比较支持向量机(SVM)分类器，并导出训练过的模型，以对新数据进行预测。 - 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。 - 使用分类学习应用程序训练核近似分类器
创建并比较内核近似分类器，并导出训练好的模型以对新数据进行预测。 - 使用分类学习应用程序训练集成分类器
创建和比较集成分类器，并导出训练过的模型，以对新数据进行预测。 - 使用分类学习应用程序训练神经网络分类器
创建和比较神经网络分类器，并导出训练过的模型，以对新数据进行预测。
Flujo de trabajo personizado
- 使用分类学习App进行特征选择和特征转换
使用图或特征排序算法识别有用的预测因子，选择要包含的特征，并使用分类学习器中的PCA转换特征。 - 分类学习者应用程序中的错误分类成本
在训练任何分类模型之前，请指定将一类观察结果错误分类为另一类的相关成本。 - 在分类学习应用程序中使用错误分类代价训练和比较分类器
在指定错误分类代价后创建分类器，并比较模型的准确性和总错误分类代价。 - 分类学习App中的超参数优化
利用超参数优化技术自动调优分类模型的超参数。 - 在分类学习App中使用超参数优化训练分类器
用优化的超参数训练分类支持向量机模型。 - 使用分类学习应用程序中的测试集检查分类器性能
将测试集导入Classification Learner，并检查测试集指标，以获得表现最佳的训练模型。 - 在分类学习应用程序中导出图
导出和定制培训前后创建的图。 - 代码生成和分类学习应用程序
使用classification Learner应用程序训练分类模型，并生成用于预测的C/ c++代码。 - 分类学习者训练的逻辑回归模型的代码生成
这个例子展示了如何使用Classification Learner训练逻辑回归模型，然后生成使用导出的分类模型预测标签的C代码。 - 将分类学习器中训练的模型部署到MATLAB生产服务器
在分类学习器中训练模型，并将其导出以部署到MATLAB制作服务器． - 建立工业机械和制造过程的条件模型
使用分类学习应用程序训练二元分类模型，以检测从工业制造机器收集的传感器数据中的异常。
给relacionada
您也可以从以下列表中选择一个网站: