Классификация
Управляемые и полуалгоритмы контролируемого обучения для двоичных и многоклассовых задач
Классификация является типом машинного обучения с учителем, в котором алгоритм «учится» классифицировать новые наблюдения из примеров маркированных данных. Чтобы исследовать модели классификации в интерактивном режиме, используйте Classification Learner приложения. Для большей гибкости можно передать данные предиктора или признака с соответствующими откликами или метками в функцию подбора алгоритма в интерфейсе командной строки.
Для обучения регрессионных моделей, таких как логистическая регрессия, регрессионые деревья, регрессия Гауссова процесса и поддержка векторной регрессии, см. Регрессию.
Основы классификации
- Приложение Classification Learner
Интерактивное обучение, валидация и настройка классификационных моделей
- Классификационные деревья
Бинарные деревья принятия решений для многоклассового обучения
- Дискриминантный анализ
Регуляризованный линейный и квадратичный дискриминантный анализ
- Наивный Байес
Наивная модель Байеса с Гауссовыми, полиномиальными или ядерными предикторами
- Ближайшие соседи
k классификацию ближайших соседей с помощью поиска Kd -tree
- Машина опорных векторов
Машины опорных векторов для двоичной или многоклассовой классификации
- Классификационные ансамбли
Бустинг, случайный лес, упаковка в мешки, случайный подпространство и ансамбли ECOC для многоклассового обучения
- Обобщенная аддитивная модель
Интерпретируемая модель, состоящая из одномерных и двухмерных функций формы для двоичной классификации
- Нейронные сети
Нейронные сети для двоичной и многоклассовой классификации
- Инкрементальное обучение
Подгонка классификационной модели к потоковой передаче данных и отслеживание ее эффективности
- Полууправляемое обучение для классификации
Основанные на графике и самостоятельно обучающие методы для полууправляемого обучения
- Интерпретируемость
Обучите классификационные модели интерпретации и интерпретируйте комплексные классификационные модели
- Построение моделей и оценка
Выбор признаков, инженерия функций, выбор модели, оптимизация гипероптимизации параметров управления, перекрестная валидация, прогнозирующая оценка эффективности и сравнительные тесты классификационной точности
