最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。
低~中次元のデータセットで精度を向上させカーネル関数を選択するには、分類学習器アプリを使用して、SVM バイナリ学習器が含まれているマルチクラス誤り訂正出力符号 (ECOC) モデルまたはバイナリ SVM モデルに学習をさせます。柔軟性を向上させるには、コマンドライン インターフェイスで fitcsvm
を使用してバイナリ SVM モデルに学習をさせるか、fitcecoc
を使用してバイナリ SVM 学習器から構成されるマルチクラス ECOC モデルに学習をさせます。
高次元データセットの計算時間を短縮するには、fitclinear
を使用して線形 SVM モデルなどのバイナリ線形分類モデルに効率的に学習をさせるか、fitcecoc
を使用して SVM モデルから構成されるマルチクラス ECOC モデルに学習をさせます。
ビッグ データが含まれている非線形分類の場合は、fitckernel
を使用してバイナリ ガウス カーネル分類モデルに学習をさせます。
分類学習器 | 教師あり機械学習を使用して、データを分類するようにモデルを学習させる |
サポート ベクター マシン (SVM) 分類器を作成および比較し、新しいデータについて予測を行うため学習済みモデルをエクスポートします。
分離超平面とカーネル変換を使用して SVM でバイナリ分類を実行します。
ウェーブレットベースの特徴とサポート ベクター マシンを使用した信号分類 (Wavelet Toolbox)
Wavelet Time Scattering Classification of Phonocardiogram Data (Wavelet Toolbox)