分类学习者应用
交互式地训练、验证和调优分类模型
选择各种算法来训练和验证二进制或多类问题的分类模型。在训练多个模型后，将它们的验证误差并排比较，然后选择最佳模型。要帮助您决定使用哪种算法，请参见在分类学习者应用程序中训练分类模型．
这个流程图展示了分类学习者应用程序中训练分类模型或分类器的通用工作流。
应用程序
| 分类学习者 | 训练模型使用监督机器学习对数据进行分类 |
主题
通用工作流
- 在分类学习者应用程序中训练分类模型
培训的工作流程，比较和改进分类模型，包括自动、手动和并行培训。 - 选择数据分类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，打开以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。 - 对分类学习者的分类能力进行可视化和评估
比较模型的准确性分数，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中进行训练后，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，以便对新数据进行预测。 - 使用分类学习者应用程序训练鉴别分析分类器
创建和比较判别分析分类器，并导出训练过的模型来对新数据进行预测。 - 使用分类学习者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，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
创建并比较朴素贝叶斯分类器，导出训练过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来对新数据进行预测。 - 使用分类学习者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，以便对新数据进行预测。 - 训练核近似分类器使用分类学习者应用程序
创建和比较内核近似分类器，并导出训练过的模型来对新数据进行预测。 - 使用分类学习者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来对新数据进行预测。 - 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，对新数据进行预测。
定制的工作流
- 基于分类学习者App的特征选择与特征转换
使用图或特征排序算法识别有用的预测器，选择要包含的特征，并在分类学习者中使用PCA转换特征。 - 分类学习者应用程序的错误分类成本
在训练任何分类模型之前，指定错误地将一个类的观察结果分类为另一个类的相关成本。 - 在分类学习者应用程序中使用错误分类成本训练和比较分类器
在指定误分类成本后创建分类器，并比较模型的准确性和总误分类成本。 - 分类学习者应用程序中的超参数优化
利用超参数优化方法自动调优分类模型的超参数。 - 基于超参数优化的分类学习者应用程序训练分类器
训练具有优化超参数的分类支持向量机模型。 - 在分类学习者应用程序中使用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，以获得性能最好的训练模型。 - 解释分类器训练的分类学习者应用程序
通过使用部分依赖图，确定如何在训练过的分类器中使用特征。 - 在分类学习者应用程序中导出情节
导出和定制训练前后创建的图。 - 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C/ c++代码进行预测。 - 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。 - 将分类学习者训练的模型部署到MATLAB生产服务器
在Classification Learner中训练一个模型，并将其导出用于部署MATLAB生产服务器． - 建立工业机械与制造过程的条件模型
使用classification Learner App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。
相关信息
您也可以从以下列表中选择网站: