Для большей точности и функционального ссылкой выбора на низком - через средние размерные наборы данных, подбирайте обобщенную линейную модель со штрафом лассо с помощью lassoglm.
Для сокращения времени вычисления на высоко-размерных наборах данных обучите двоичный файл, линейную модель классификации, такую как упорядоченная модель логистической регрессии, с помощью fitclinear. Можно также эффективно обучить модель выходных кодов с коррекцией ошибок (ECOC) мультикласса, состоявшую из моделей логистической регрессии с помощью fitcecoc.
Для нелинейной классификации с большими данными обучите двоичный файл, Гауссову модель классификации ядер с упорядоченной логистической регрессией с помощью fitckernel.
ClassificationLinear | Линейная модель для бинарной классификации высоко-размерных данных |
ClassificationECOC | Модель Multiclass для машин опорных векторов (SVMs) и других классификаторов |
ClassificationKernel | Гауссова модель классификации ядер использование случайного расширения функции |
ClassificationPartitionedLinear | Перекрестная подтвержденная линейная модель для бинарной классификации высоко-размерных данных |
ClassificationPartitionedLinearECOC | Перекрестная подтвержденная линейная выходная модель кода с коррекцией ошибок для классификации мультиклассов высоко-размерных данных |
lassoglm | Ловите арканом или эластичная сетевая регуляризация для обобщенных линейных моделей |
fitclinear | Подбирайте линейную модель классификации к высоко-размерным данным |
templateLinear | Линейный шаблон ученика классификации |
fitcecoc | Подбирайте модели мультикласса для машин опорных векторов или других классификаторов |
predict | Предскажите метки для линейных моделей классификации |
fitckernel | Подбирайте Гауссову модель классификации ядер использование случайного расширения функции |
predict | Предскажите метки для Гауссовой модели классификации ядер |
Упорядочите регрессию Пуассона
Идентифицируйте и удалите избыточные предикторы из обобщенной линейной модели.
Упорядочите логистическую регрессию
Упорядочите биномиальную регрессию.
Упорядочите широкие данные параллельно
Упорядочите модель со значительно большим количеством предикторов, чем наблюдения.
Ловите арканом регуляризацию обобщенных линейных моделей
Алгоритм лассо производит меньшую модель с меньшим количеством предикторов. Связанный эластичный сетевой алгоритм может быть более точным, когда предикторы высоко коррелируются.
