主要内容

最近的邻居

k最近的邻居分类

培养一个k-最近邻模型，使用分类学习者为了更大的灵活性，训练一个k-使用最近邻模型fitcknn在命令行界面。训练结束后，通过传递模型和预测器数据来预测标签或估计后验概率预测．

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

块

ClassificationKNN预测 采用最近邻分类模型对观测数据进行分类

功能

全部展开

fitcknn 适合k最近的邻居分类器
ExhaustiveSearcher 创建详尽的最近邻搜索器
KDTreeSearcher 创建Kd-树最近邻搜索器
createns 创建最近邻搜索器对象
石灰 局部可解释模型不可知解释(LIME)
partialDependence 计算部分依赖
plotPartialDependence 创建偏依赖图(PDP)和个体条件期望图(ICE)
沙普利 沙普利值
crossval 交叉验证机器学习模型
kfoldEdge 交叉验证分类模型的分类边缘
kfoldLoss 交叉验证分类模型的分类损失
kfoldfun 用于分类的交叉验证函数
kfoldMargin 交叉验证分类模型的分类裕度
kfoldPredict 用交叉验证的分类模型对观测数据进行分类
损失 的损失k最近的邻居分类器
resubLoss Resubstitution分类损失
compareHoldout 使用新数据比较两种分类模型的准确性
边缘 的边缘k最近的邻居分类器
保证金 保证金的k最近的邻居分类器
resubEdge Resubstitution分类边缘
resubMargin Resubstitution分类保证金
testckfold 通过重复交叉验证比较两种分类模型的准确性
预测 预测标签使用k-最近邻分类模型
resubPredict 使用训练过的分类器对训练数据进行分类
收集 收集的属性统计和机器学习工具箱对象从GPU
pdist 成对观测点之间的距离
pdist2 两组观测值之间的成对距离

对象

全部展开

ClassificationKNN k最近的邻居分类
ClassificationPartitionedModel 旨在分类模型

主题

相关信息

Baidu
map