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

Рекомендуемые примеры

Automated Classifier Selection with Bayesian and ASHA Optimization

Автоматизированный выбор классификатора с байесовой и оптимизацией ASHA

Использование fitcauto автоматически попробовать выбор типов модели классификации с различными гиперзначениями параметров, учитывая учебный предиктор и данные об ответе.

Скрипт Open Live Script

Moving Towards Automating Model Selection Using Bayesian Optimization

Движение автоматизирующий выбор модели Используя байесовую оптимизацию

Создайте несколько моделей классификации, оптимизируйте их гиперпараметры и выберите модель, которая выполняет лучшее на наборе тестовых данных.

Скрипт Open Live Script

Combine Heterogeneous Models into Stacked Ensemble

Объедините неоднородные модели в сложенный ансамбль

Создайте несколько моделей машинного обучения для данного обучающего набора данных, и затем объединитесь, модели с помощью метода вызвали укладку, чтобы улучшить точность относительно набора тестовых данных по сравнению с точностью отдельных моделей.

Скрипт Open Live Script