Для большей точности и выбора ядра-функции на наборах данных с низкой и средней размерностью обучите двоичную модель SVM или многоклассовую модель выходных кодов с коррекцией ошибок (ECOC), содержащую двоичных учащихся SVM с использованием приложения Classification Learner. Для большей гибкости используйте интерфейс командной строки, чтобы обучить двоичную модель SVM с помощью fitcsvm или обучите многоклассовую модель ECOC, состоящую из двоичных учащихся SVM, используя fitcecoc.
Для сокращения времени вычисления на высоко-размерных наборах данных эффективно обучите двоичную линейную модель классификации, такую как линейная модель SVM, используя fitclinear или обучите многоклассовую модель ECOC, состоящую из моделей SVM, используя fitcecoc.
Для нелинейной классификации с большими данными обучите двоичную, Гауссову модель классификации ядра с использованием 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 одноклассовой и двоичной классификации |
Обучите машины опорных векторов, используя приложение Classification Learner
Создайте и сравните классификаторы машин опорных векторов (SVM) и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Машины опорных векторов для двоичной классификации
Выполните двоичную классификацию через SVM, используя разделение гиперплоскостей и преобразований ядра.
Предсказание меток классов с помощью блока ClassificationSVM Predict
В этом примере показано, как использовать блок ClassificationSVM Predict для предсказания метки в Simulink ® .
Классификация сигналов с использованием основанных на вейвлете Функций и Машинах опорных векторов (Wavelet Toolbox)
Вейвлет классификации рассеяния фонокардиограмм (Wavelet Toolbox)
