분류

이진 문제와 다중클래스 문제를 위한 지도 학습 및 준지도 학습 알고리즘

분류는 어떠한 알고리즘이 레이블이 있는 데이터의 예에서 새로운 관측값을 분류하는 방법을 "학습"하는 머신러닝 지도 학습의 한 유형입니다. 분류 모델을 대화형 방식으로 살펴보려면 분류 학습기 앱을 사용하십시오. 명령줄 인터페이스에서 예측 변수 또는 특징 데이터를 이에 대응하는 응답 변수나 레이블과 함께 알고리즘 피팅 함수에 전달하여 유연성을 높일 수 있습니다.

로지스틱 회귀, 회귀 트리, 가우스 과정 회귀, 서포트 벡터 회귀와 같은 회귀 모델을 훈련시키려면 회귀 항목을 참조하십시오.

분류 기본 사항

범주

분류 학습기 앱
대화형 방식으로 분류 모델 훈련, 검증 및 조정
분류 트리
다중클래스 학습을 위한 이진 결정 트리
판별분석
정규화된 선형 및 2차 판별분석
나이브 베이즈(Naive Bayes)
가우스 예측 변수, 다항 예측 변수 또는 커널 예측 변수를 사용하는 나이브 베이즈 모델
최근접이웃
k-최근접이웃 분류
서포트 벡터 머신 분류
이진 분류 또는 다중클래스 분류를 위한 서포트 벡터 머신
분류 앙상블
다중클래스 학습을 위한 부스팅, 랜덤 포레스트, 배깅, 랜덤 부분공간, ECOC 앙상블
일반화 가산 모델
이진 분류를 위해 일변량과 이변량 형태 함수로 구성된 해석 가능한 모델
신경망
이진 클래스 및 다중클래스 분류를 위한 신경망
점진적 학습
분류 모델을 스트리밍 데이터에 피팅하고 성능 추적
분류를 위한 준지도 학습
준지도 학습을 위한 그래프 기반 방법과 자가 훈련 방법
이진 분류의 공정성
이진 분류의 공정성 탐색
해석 가능성
해석 가능한 분류 모델을 훈련시키고 복잡한 분류 모델을 해석하기
모델 개발과 평가
특징 선택, 특징 엔지니어링, 모델 선택, 하이퍼파라미터 최적화, 교차 검증, 예측 성능 평가 및 분류 정확도 비교 테스트

추천 예제

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.

라이브 스크립트 열기

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.

라이브 스크립트 열기

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.

라이브 스크립트 열기

분류

이 예제에서는 판별분석, 나이브 베이즈 분류기, 결정 트리를 사용하여 분류를 수행하는 방법을 보여줍니다.

라이브 스크립트 열기

Credit Rating by Bagging Decision Trees

Build an automated credit rating tool.

라이브 스크립트 열기