分类学习器

使用有监督的机器学习训练模型以对数据进行分类

说明

分类学习器会训练模型，以对数据进行分类。使用此 App，您可以使用各种分类器来探索有监督机器学习。您可以探查数据，选择特征，指定验证方案，训练模型和评估结果。您可以执行自动训练来搜索最佳分类模型类型，包括决策树、判别分析、支持向量机、逻辑回归、最近邻、朴素贝叶斯、核逼近、集成和神经网络分类。

您可以通过提供一组已知的输入数据（观测值或示例）和对数据的已知响应（标签或类）来执行有监督的机器学习。您可以使用这些数据来训练模型，该模型可以为对新数据的响应生成预测。要将模型与新数据结合使用或要了解编程式分类，您可以将模型导出到工作区或生成 MATLAB^® 代码来重新创建经过训练的模型。

提示

要开始使用，请在分类器列表中，尝试用 全部(快速训练) 来训练所选模型。请参阅Automated Classifier Training。

需要的产品

MATLAB
Statistics and Machine Learning Toolbox™

打开分类学习器 App

MATLAB 工具条：在 Apps 选项卡上的 Machine Learning 下，点击该 App 的图标。
MATLAB 命令提示符：输入 classificationLearner。

示例

编程用途

全部展开

`classificationLearner`

classificationLearner 打开分类学习器，或将焦点放在该 App 上（如果该 App 已打开）。

`classificationLearner(Tbl,ResponseVarName)`

classificationLearner(Tbl,ResponseVarName) 打开分类学习器，并使用表 Tbl 中包含的数据填充“从参数新建会话”对话框。指定为字符向量或字符串标量的 ResponseVarName 参数是 Tbl 中包含类标签的响应变量的名称。Tbl 中的其余变量是预测变量。

`classificationLearner(Tbl,Y)`

classificationLearner(Tbl,Y) 打开分类学习器，并使用表 Tbl 中的预测变量和向量 Y 中的类标签填充“从参数新建会话”对话框。您可以将响应 Y 指定为分类数组、字符数组、字符串数组、逻辑向量、数值向量或字符向量元胞数组。

`classificationLearner(X,Y)`

classificationLearner(X,Y) 打开分类学习器，并使用向量 Y 中的 n×p 预测变量矩阵 X 和 n 类标签填充“来自参数的新会话”对话框。X 的每行对应一个观测值，每列对应一个变量。Y 的长度和 X 的行数必须相等。

`classificationLearner(___,Name,Value)`

classificationLearner(___,Name,Value) 使用一个或多个名称-值参数以及上述语法中的任何输入参数组合来指定交叉验证选项。例如，您可以指定 "KFold",10 使用 10 折交叉验证方案。

"CrossVal"，指定为 "on"（默认值）或 "off"，是交叉验证标志。如果您指定 "on"，则该 App 使用 5 折交叉验证。如果您指定 "off"，则该 App 将使用再代入验证。
您可以使用 "Holdout" 或 "KFold" 名称-值参数来覆盖 "CrossVal" 交叉验证设置。一次只能指定其中一个参数。
"Holdout"，指定为 [0.05,0.5] 范围内的数值标量，该值是用于留出法验证的数据的比例。该 App 使用其余的数据进行训练（和测试，如果指定的话）。
"KFold"（指定为 [2,50] 范围内的正整数）用于交叉验证的折数。
"TestDataFraction"（指定为范围 [0,0.5] 中的数值标量）是为测试保留的数据比例。

`classificationLearner(filename)`

classificationLearner(filename) 打开分类学习器，其中包含之前在 filename 中保存的会话。filename 参数（指定为字符向量或字符串标量）必须包括分类学习器会话文件的名称和文件路径（如果该文件不在当前文件夹中）。该文件必须具有扩展名 .mat。