Для большей точности и выбора функций ядра на низко- и среднеразмерных наборах данных, обучайте двоичную модель SVM или модель многоклассных выходных кодов с исправлением ошибок (ECOC), содержащую двоичных учеников SVM с помощью приложения Classification Learner. Для большей гибкости используйте интерфейс командной строки для обучения двоичной модели SVM с помощью fitcsvm или обучить мультиклассную модель ECOC, состоящую из двоичных учеников SVM, используя fitcecoc.
Для сокращения времени вычислений в высокоразмерных наборах данных эффективно обучайте двоичную линейную классификационную модель, такую как линейная модель SVM, используя fitclinear или обучить многоклассную модель ECOC, состоящую из моделей SVM, используя fitcecoc.
Для нелинейной классификации с большими данными обучайте двоичную модель классификации ядра Гаусса, используя fitckernel.
| Классификатор | Обучение моделей классификации данных с помощью контролируемого машинного обучения |
| ClassificationSVM предсказывают | Классифицировать наблюдения с помощью классификатора вспомогательных векторов (SVM) для одноклассной и двоичной классификации |
Обучение поддержки векторных машин с помощью приложения Classification Learner
Создание и сравнение классификаторов вспомогательных векторных машин (SVM) и экспорт обученных моделей для прогнозирования новых данных.
Поддержка векторных машин для двоичной классификации
Выполните двоичную классификацию через SVM с помощью разделительных гиперплоскостей и преобразований ядра.
Предскажите, что этикетки класса Используя ClassificationSVM предсказывают блок
Этот пример шоу, как использовать ClassificationSVM, Предсказывает блок для прогноза этикетки в Simulink®.
Классификация сигналов с использованием функций на основе вейвлета и поддержки векторных машин (инструментарий вейвлета)
Классификация вейвлет-рассеяния по времени данных фонокардиограммы (инструментарий вейвлет)