内容简介：自带的机器学习库meas:测试数据，一行代表一个样本，列代表样本属性，N*Mspecies:每个样本对应的类,N*1
| 编辑推荐: |
| 本文来自于CSDN，介绍了matlab自带的机器学习库、随机森林分类器、朴素贝叶斯等相关知识。 |
自带的机器学习库
meas:测试数据，一行代表一个样本，列代表样本属性，N*M
species:每个样本对应的类,N*1
kfoldLoos:交叉验证:确定样本训练后的模型的错误率
predict:测试集经分类模型处理后分到的类
knn分类器
knn = fitcknn(meas,species,'NumNeighbors',5);
CVMdl = crossval(knn);
kloss = kfoldLoss(CVMdl);
predict(knn,ones(1,size(meas,2)))
pca降维：主成分分析
//latent:特征值（从大到小),score特征向量
[coeff, score, latent, tsquared, explained] = pca(data);
//score即为从大到小 排序 后的特征矩阵，取前k列即为取样本最具代表性的k个属性
//explained即为每一列对应的影响力，所有列加起来为100
bp神经网络
命令行输入nntool
svm分类器
svm = fitcsvm(meas,species);
CVMdl = crossval(svm);
kloss = kfoldLoss(CVMdl);
朴素贝叶斯
naivebayes = fitcnb(meas, species);
nb = crossval(naivebayes);
kloss = kfoldLoss(nb);
决策树cart分类器
cart = fitctree(meas,species);
CVMdl = crossval(cart);
kloss = kfoldLoss(CVMdl);
随机森林分类器
b = TreeBagger(nTree,meas,species,'OOBPrediction','on');
rf = oobError(b);
kloss = rf(nTree,1);
集成学习方法
ada = fitensemble(meas,species,'AdaBoostM1',100,'Tree',
'Holdout',0.5);
kloss = kfoldLoss(ada,'mode','cumulative');
kloss = kloss(100,1);
matlab机器学习库
有监督学习
无监督学习
集成学习
以上所述就是小编给大家介绍的《matlab机器学习库》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
