Для большей точности и функционального ядром выбора на низком - через средние размерные наборы данных, обучите бинарную модель SVM или модель выходных кодов с коррекцией ошибок (ECOC) мультикласса, содержащую двоичных учеников SVM, использующих приложение Classification Learner. Для большей гибкости используйте интерфейс командной строки, чтобы обучить бинарную модель SVM с помощью fitcsvm или обучите мультикласс модель ECOC, состоявшая из бинарных учеников SVM, использующих fitcecoc.
Для сокращения времени вычисления на высоко-размерных наборах данных эффективно обучите двоичный файл, линейную модель классификации, такую как линейная модель SVM, с помощью fitclinear или обучите мультикласс модель ECOC, состоявшая из моделей SVM с помощью fitcecoc.
Для нелинейной классификации с большими данными обучите двоичный файл, Гауссова модель классификации ядер использование fitckernel.
| Classification Learner | Обучите модели классифицировать данные с помощью машинного обучения с учителем |
| ClassificationSVM Predict | Классифицируйте наблюдения с помощью классификатора машины опорных векторов (SVM) для и бинарной классификации одного класса |
Обучите машины опорных векторов Используя приложение Classification Learner
Создайте и сравните классификаторы машины опорных векторов (SVM) и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Машины опорных векторов для бинарной классификации
Выполните бинарную классификацию через SVM, использующий разделение преобразования ядра и гиперплоскости.
Предскажите, что метки класса Используя ClassificationSVM предсказывают блок
В этом примере показано, как использовать блок ClassificationSVM Predict для предсказания метки.
