|
| matlab机器学习库 |
| |
| |
次浏览
|
|
2018-10-18 |
|
| |
| 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
|
|
|
|
|
次浏览
|
|
|
|
