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。

分类基础知识

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

Automated Classifier Selection with Bayesian and ASHA Optimization

Use fitcauto to automatically try a selection of classification model types with different hyperparameter values, given training predictor and response data.

打开实时脚本

Moving Towards Automating Model Selection Using Bayesian Optimization

Build multiple classification models, optimize their hyperparameters, and select the model that performs the best on a test data set.

打开实时脚本

Combine Heterogeneous Models into Stacked Ensemble

Build multiple machine learning models for a given training data set, and then combine the models using a technique called stacking to improve the accuracy on a test data set compared to the accuracy of the individual models.

打开实时脚本