2026a
# 分类
分类是一个有监督的学习过程，目标数据库中有哪些类别是已知的，分类过程需要做的就是把每一条记录归到对应的类别之中。由于必须事先知道各个类别的信息，并且所有待分类的数据条目都默认有对应的类别，因此分类算法也有其局限性，当上述条件无法满足时，我们就需要尝试聚类分析。
# 分类树
分类树
分类树
| 函数名 | 简介 |
|---|---|
| crossval | 交叉验证机器学习模型 |
| edge | 分类树模型的分类边缘 |
| fitctree | 适合多类分类的二叉决策树 |
| kfoldEdge | 交叉验证分类器的分类边缘 |
| kfoldfun | 分类的交叉验证函数 |
| kfoldLoss | 交叉验证分类模型的分类损失 |
| kfoldMargin | 交叉验证分类器的分类边距 |
| kfoldPredict | 在交叉验证的分类模型中对观测值进行分类 |
| margin | 分类树模型的分类边距 |
| partialDependence | 计算部分相关性 |
| predict | 使用机器学习模型预测标签 |
| predictorImportance | 分类树的预测变量重要性估计 |
| view | 查看分类树 |
| prune | 决策树剪枝 |
# 判别分析
判别分析
判别分析
| 函数名 | 简介 |
|---|---|
| fitcdiscr | 拟合判别分析分类器 |
| testckfold | 通过重复交叉验证比较两种分类模型的准确性 |
# 朴素贝叶斯
朴素贝叶斯
朴素贝叶斯
| 函数名 | 简介 |
|---|---|
| fitcnb | 训练多类朴素贝叶斯模型 |
# 训练神经网络分类器
神经网络模型由一系列反映大脑处理信息方式的层构成。Machine Learning Toolbox™ 中提供的神经网络分类器是完全连接的前馈神经网络，您可以调整全连接层的大小并更改层的激活函数。
训练神经网络分类器
| 函数名 | 简介 |
|---|---|
| fitcnet | 训练神经网络分类器 |
# 最近邻分析
最近邻分析
最近邻分析
| 函数名 | 简介 |
|---|---|
| fitcknn | 拟合 k-最近邻分类器 |
| KDTreeSearcher | 创建 Kd 树最近邻搜索器 |
| pdist2 | 两组观测值之间的成对距离 |
# 支持向量机分类
支持向量机分类
支持向量机分类
| 函数名 | 简介 |
|---|---|
| fitcsvm | 训练用于一类和二类分类的支持向量机 (SVM) 分类器 |
| fitclinear | 将二元线性分类器拟合到高维数据 |
| fitckernel | 用随机特征展开拟合高斯核分类模型 |
| fitcecoc | 适合支持向量机或其他分类器的多类模型 |
# 分类集成
分类集成
分类集成
| 函数名 | 简介 |
|---|---|
| AdaboostTree | Adaboost 分类树模型 |
| fitcensemble | 集成学习模型集合 |
| GradientcBoosting | 创建梯度树提升分类模型 |
| HistcGradientBoosting | 基于直方图的梯度提升分类器 |
| oobPredict | 预测集合的袋外响应 |
| randomcforest | 创建随机森林分类器模型 |
| resume | 修改训练轮次 |
| templateDiscriminant | 判别分析分类器模板 |
| templateECOC | 纠错输出代码学习器模板 |
| templateEnsemble | 集成学习模型集合 |
| templateKernel | 内核模型模板 |
| templateKNN | k-最近邻分类器模板 |
| templateLinear | 线性分类学习者模板 |
| templateNaiveBayes | 朴素贝叶斯分类器模板 |
| templateSVM | 支持向量机模板 |
| VotingClassifier | 投票分类器模型 |
| templateTree | 创建决策树模板 |
# 用于分类的半监督学习
用于分类的半监督学习
用于分类的半监督学习
| 函数名 | 简介 |
|---|---|
| fitsemigraph | 使用基于半监督图的方法标记数据 |
| fitsemiself | 使用半监督自训练方法标记数据 |
# 模型的构建与评估
模型的构建与评估
模型的构建与评估
| 函数名 | 简介 |
|---|---|
| confusionchart | 为分类问题创建混淆矩阵图 |
| confusionmat | 计算分类问题的混淆矩阵 |
| cvpartition | 交叉验证的分区数据 |
| fscchi2 | 使用卡方检验进行分类的单变量特征排序 |
| perfcurve | 接收器工作特性 (ROC) 曲线或其他分类器输出的性能曲线 |
| repartition | 重新划分交叉验证的分区数据 |
| sequentialfs | 使用自定义标准进行顺序特征选择 |
| test | 交叉验证的测试指标 |
| testcholdout | 比较两个分类模型的预测精度 |
| training | 交叉验证的训练指标 |
# 增量学习分类模型
用于对流式数据进行分类的增量学习模型
增量学习分类模型
| 函数名 | 简介 |
|---|---|
| incrementalDriftAwareLearner | 创建增量漂移感知模型 |
| incrementalClassificationLinear | 创建增量线性二分类模型 |
| incrementalClassificationECOC | 创建增量纠错输出编码多分类模型 |
| incrementalClassificationOvR | 创建增量一对多策略多分类模型 |
| incrementalClassificationOvO | 创建增量一对一策略多分类模型 |
| incrementalClassificationNaiveBayes | 创建增量朴素贝叶斯多分类模型 |
| HoeffdingTreeClassifier | 创建霍夫丁树模型 |
| HoeffdingAdaptiveTreeClassifier | 创建霍夫丁自适应树模型 |
| fit | 模型拟合流式数据 |
| fitOne | 模型拟合单个观测值 |
| updateMetrics | 更新模型的性能指标 |
| updateMetricsAndFit | 训练模型并更新性能指标 |
| predict | 批量预测观测值的标签 |
| predictOne | 预测单个观测值的标签 |
| predictProba | 批量预测观测值对应各标签的概率 |
| predictProbaOne | 预测单个观测值对应各标签的概率 |
| incrementalConceptDriftDetector | 创建增量漂移检测器 |
| detectDrift | 更新漂移检测器 |
| driftReset | 重置漂移检测器 |