Clasificación
Algoritmos de aprendizaje supervisados y semisupervisados para problemas binarios y multiclase
La clasificación es un tipo de machine learning supervisado en el que un algoritmo “aprende” a clasificar nuevas observaciones procedentes de ejemplos de datos etiquetados. Para explorar modelos de clasificación de forma interactiva, utilice la app Classification Learner. Para mayor flexibilidad, puede pasar los datos de los predictores o las características con las etiquetas o respuestas correspondientes a una función de ajuste de algoritmo en la interfaz de línea de comandos.
Para entrenar modelos de regresión, por ejemplo, regresión logística, árboles de regresión, regresión de procesos gaussianos y regresión de vectores de apoyo, consulte Regresión.
Categorías
- App Classification Learner
Entrene, valide y ajuste modelos de clasificación de forma interactiva
- Árboles de clasificación
Árboles de decisión binarios para aprendizaje multiclase
- Análisis discriminante
Análisis discriminante lineal y cuadrático regularizado
- Naive Bayes
Modelo Naive Bayes con predictores gaussianos, multinomiales o de kernel
- Vecinos más próximos
Clasificación de los k vecinos más próximos
- Clasificación de máquinas de vectores de apoyo
Máquinas de vectores de apoyo para clasificación binaria o multiclase
- Ensembles de clasificación
Potenciación, bosque aleatorio, empaquetado, subespacio aleatorio y ensembles ECOC para aprendizaje multiclase
- Modelo aditivo generalizado
Modelo interpretable compuesto por funciones de forma univariadas y bivariadas para clasificación binaria
- Redes neuronales
Redes neuronales para clasificación binaria y multiclase
- Aprendizaje incremental
Ajuste un modelo de clasificación a los datos de transmisión y supervise su rendimiento
- Aprendizaje semisupervisado para clasificación
Métodos basados en gráficas y de autoaprendizaje para aprendizaje semisupervisado
- Equidad en una clasificación binaria
Explorar la equidad en una clasificación binaria
- Capacidad de interpretación
Entrene modelos de clasificación interpretables e interprete modelos de clasificación complejos
- Desarrollo y evaluación de modelos
Selección de características, ingeniería de características, selección de modelos, optimización de hiperparámetros, validación cruzada, evaluación de la capacidad predictiva y pruebas de comparación de la precisión de las clasificaciones