Классификация
Контролируемый и полуалгоритмы контролируемого обучения для бинарных и многоклассовых задач
Классификация является типом машинного обучения с учителем, на которое алгоритм “учится” классифицировать новые наблюдения из примеров маркированных данных. Чтобы исследовать модели классификации в интерактивном режиме, используйте приложение Classification Learner. Для большей гибкости можно передать предиктор или показать данные с соответствующими ответами или метками к соответствующей алгоритму функции в интерфейсе командной строки.
Чтобы обучить модели регрессии, такие как логистическая регрессия, деревья регрессии, Гауссова регрессия процесса и регрессия вектора поддержки, видят Регрессию.
Основы классификации
- Приложение Classification Learner
В интерактивном режиме обучите, подтвердите, и модели классификации мелодий
- Деревья классификации
Деревья выбора из двух альтернатив для изучения мультикласса
- Дискриминантный анализ
Упорядоченный линейный и квадратичный дискриминантный анализ
- Наивный Байес
Наивная модель Байеса с Гауссовыми, полиномиальными или ядерными предикторами
- Самые близкие соседи
k- соседняя классификация
- Классификация машин опорных векторов
Машины опорных векторов для двоичного файла или классификации мультиклассов
- Ансамбли классификации
Повышение, случайный лес, укладывание в мешки, случайное подпространство и ансамбли ECOC для изучения мультикласса
- Обобщенная аддитивная модель
Поддающаяся толкованию модель, состоявшая из одномерных и двумерных функций формы для бинарной классификации
- Нейронные сети
Нейронные сети для двоичного файла и классификации мультиклассов
- Пошаговое обучение
Подбирайте модель классификации к потоковой передаче данных и отследите его эффективность
- Полуконтролируемое изучение для классификации
Основанный на графике и самометоды обучения для полуконтролируемого изучения
- Interpretability
Обучите поддающиеся толкованию модели классификации и интерпретируйте комплексные модели классификации
- Построение моделей и оценка
Выбор признаков, разработка функции, выбор модели, гипероптимизация параметров управления, перекрестная проверка, прогнозирующая оценка результатов деятельности и тесты сравнения точности классификации
