主要内容

分类学习者

训练模型使用监督机器学习对数据进行分类

展开全部页面

描述

的分类学习者应用程序训练模型来分类数据。使用这个应用程序，你可以使用各种分类器探索有监督的机器学习。您可以探索数据、选择特征、指定验证方案、训练模型并评估结果。您可以执行自动训练来搜索最佳的分类模型类型，包括决策树、判别分析、支持向量机、逻辑回归、最近邻、朴素贝叶斯、核近似、集成和神经网络分类。

您可以通过提供一组已知的输入数据(观察或示例)和对数据的已知响应(标签或类)来执行监督机器学习。您使用这些数据来训练一个模型，该模型为对新数据的响应生成预测。要使用带有新数据的模型，或学习编程分类，可以将模型导出到工作区或生成MATLAB®编写代码来重新创建经过训练的模型。

提示

要开始，请在分类器列表中尝试所有Quick-To-Train训练一组模型。看到自动分类器训练．

所需的产品2022世界杯八强谁会赢？

  • MATLAB

  • 统计和机器学习工具箱™

分类学习者app

打开分类学习App

  • MATLAB工具条:在应用程序选项卡,在机器学习，点击应用程序图标。

  • MATLAB命令提示符:输入classificationLearner．

例子

编程使用

全部展开

classificationLearner打开分类学习者应用程序，如果应用程序已经打开，则将焦点转移到应用程序。

ResponseVarName classificationLearner(台)打开Classification Learner应用程序，用表格中包含的数据填充“从参数中创建新会话”对话框资源描述．的ResponseVarName参数，指定为字符向量或字符串标量，是响应变量的名称资源描述其中包含类标签。响应变量不能包含超过500个唯一类标签。中剩下的变量资源描述是预测变量。

classificationLearner(资源描述,Y)打开Classification Learner应用程序，用表格中的预测变量填充“New Session from Arguments”对话框资源描述向量中的类标签Y．您可以指定响应Y作为分类数组、字符数组、字符串数组、逻辑向量、数字向量或字符向量的单元格数组。Y不能包含超过500个唯一类标签。

classificationLearner (X, Y)打开分类学习者应用程序，并从参数中填充新会话对话框n——- - - - - -p预测矩阵X和nvector中的类标签Y．每行X对应一个观察结果，每一列对应一个变量。的长度Y的行数X必须是相等的。Y不能包含超过500个唯一类标签。

classificationLearner (___、名称、值)除使用前面语法中的任何输入参数组合外，还使用以下一个或多个名称-值参数指定交叉验证选项。例如，您可以指定“KFold”,10使用10倍交叉验证方案。

  • “CrossVal”，指定为“上”(默认)或“关闭”，是交叉验证标志。如果你指定“上”，然后该应用程序使用5倍交叉验证。如果你指定“关闭”，然后应用程序使用置换验证。

    您可以重写“CrossVal”的交叉验证设置“坚持”或“KFold”名称-值参数。一次只能指定其中一个参数。

  • “坚持”，指定为范围[0.05,0.5]中的数值标量，是用于拒止验证的数据的百分比。应用程序使用剩余的数据进行训练(和测试，如果指定的话)。

  • “KFold”，指定为范围[2,50]中的正整数，是用于交叉验证的折叠数。

  • “TestDataFraction”，指定为范围[0,0.5]中的数字标量，是保留用于测试的数据的百分比。

classificationLearner(文件名)打开分类学习者应用程序，其中包含先前保存的会话文件名．的文件名参数，指定为字符向量或字符串标量，必须包括Classification Learner会话文件的名称和文件的路径(如果该文件不在当前文件夹中)。文件必须有扩展名.mat．

限制

  • 分类学习器不支持模型部署到MATLAB生产服务器在MATLAB在线™．

版本历史

在R2015a中引入

另请参阅

应用程序

功能

Baidu
map