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
创建最近邻模型
fitcknn |
适合k最近的邻居分类器 |
创建最近邻搜索器
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 |
解释最近邻模型
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 |
旨在
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 |
测量性能
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 |
分类的观察
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 |
收集最近邻模型的属性
收集 |
收集的属性统计和机器学习工具箱对象从GPU |
对象
最近邻分类模型
ClassificationKNN |
k最近的邻居分类 |
ClassificationPartitionedModel |
旨在分类模型 |
主题
- 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。
- 可视化不同分类器的决策曲面
这个例子展示了如何为不同的分类算法可视化决策曲面。
- 监督学习工作流和算法
理解监督学习的步骤和非参数分类和回归函数的特点。
- 使用最近邻居进行分类
使用各种距离指标,根据数据点与训练数据集中点的距离对数据点进行分类。
相关信息
- 利用音高和MFCC识别说话人(音频工具箱)
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。