主要内容

支持向量机分类

支持向量机用于二进制或多类分类

为了在低通中维数据集上获得更高的精度和核函数选择，训练二进制支持向量机模型或包含支持向量机二进制学习器的多类错误校正输出码(ECOC)模型分类学习者为了获得更大的灵活性，使用命令行界面训练二进制SVM模型使用fitcsvm或训练由二元支持向量机学习者组成的多类ECOC模型fitcecoc．

为了减少高维数据集的计算时间，有效地训练一个二进制的线性分类模型，如线性支持向量机模型，使用fitclinear或者训练一个由SVM模型组成的多类ECOC模型fitcecoc．

针对大数据的非线性分类，训练了一个二进制、高斯核分类模型fitckernel．

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

ClassificationSVM预测 使用支持向量机(SVM)分类器对观测数据进行单类和二元分类

功能

全部展开

创建模型或模板

fitcsvm 训练支持向量机(SVM)分类器的单类和二元分类
紧凑的 减小机器学习模型的尺寸
templateSVM 支持向量机模板

修改模型

discardSupportVectors 丢弃支持向量机分类器中的支持向量
incrementalLearner 将二元分类支持向量机模型转化为增量学习器
重新开始 恢复训练支持向量机(SVM)分类器

解释模型

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
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
kfoldfun 用于分类的交叉验证函数

测量性能

损失 查找支持向量机分类器的分类错误
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 为支持向量机(SVM)分类器寻找分类边
保证金 查找支持向量机(SVM)分类器的分类裕量
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
fitSVMPosterior 合适的后验概率
fitPosterior 为紧凑型支持向量机分类器拟合后验概率

分类的观察

预测 使用支持向量机分类器对观测数据进行分类
resubPredict 使用训练过的分类器对训练数据进行分类

收集模型属性

收集 收集的属性统计和机器学习工具箱对象从GPU
fitclinear 适合高维数据的二元线性分类器
预测 预测线性分类模型的标签
templateLinear 线性分类学习器模板
fitckernel 用随机特征展开法拟合二元高斯核分类器
预测 高斯核分类模型的预测标签
templateKernel 内核模式模板
fitcecoc 适合支持向量机或其他分类器的多类模型
预测 利用多类纠错输出码(ECOC)模型对观测数据进行分类
templateECOC 纠错输出码学习器模板

类

全部展开

ClassificationSVM 支持向量机(SVM)用于单类和二元分类
CompactClassificationSVM 用于单类和二元分类的紧凑支持向量机
ClassificationPartitionedModel 旨在分类模型
ClassificationLinear 高维数据二元分类的线性模型
ClassificationPartitionedLinear 高维数据二元分类的交叉验证线性模型
ClassificationKernel 基于随机特征展开的高斯核分类模型
ClassificationPartitionedKernel 交叉验证，二进制内核分类模型
ClassificationECOC 多类模型的支持向量机(svm)和其他分类器
CompactClassificationECOC 支持向量机(svm)和其他分类器的紧凑多类模型
ClassificationPartitionedECOC 支持向量机(svm)和其他分类器的交叉验证多类ECOC模型
ClassificationPartitionedLinearECOC 高维数据多类分类的交叉验证线性纠错输出码模型
ClassificationPartitionedKernelECOC 多类分类的交叉验证内核纠错输出码模型

主题

相关信息

Baidu
map