Main Content

本页的翻译已过时。点击此处可查看最新英文版本。

分类

用于二类问题和多类问题的有监督和半监督学习算法

分类是一种有监督的机器学习,在此过程中,算法“学习”如何对带标签的数据示例中的新观测值进行分类。要以交互方式研究分类模型,可以使用分类学习器。为了获得更大的灵活性,您可以在命令行界面中将预测变量或特征数据以及对应的响应或标签传递给算法拟合函数。

要训练回归模型,例如逻辑回归、回归树、高斯过程回归和支持向量回归,请参阅回归

  • 分类学习器
    以交互方式训练、验证和调整分类模型
  • 分类树
    用于多类学习的二叉决策树
  • 判别分析
    正则化线性判别分析和二次判别分析
  • 朴素贝叶斯
    具有高斯预测变量、多项预测变量或核预测变量的朴素贝叶斯模型
  • 最近邻
    使用 Kd 树搜索的 k 最近邻分类
  • 支持向量机分类
    用于二类分类或多类分类的支持向量机
  • 分类集成
    用于进行多类学习的提升、随机森林、装袋、随机子空间和 ECOC 集成
  • 广义加性模型
    用于二类分类的由一元和二元形状函数组成的可解释模型
  • 神经网络
    用于二类和多类分类的神经网络
  • 增量学习
    将分类模型与流化数据进行拟合并跟踪其性能
  • 用于分类的半监督学习
    用于半监督学习的基于图的方法和自训练方法
  • 可解释性
    训练可解释的分类模型和解释复杂的分类模型
  • 模型的构建和评估
    特征选择、特色工程、模型选择、超参数优化、交叉验证、预测性能评估和分类准确性比较检验

特色示例