MATLAB分类与预测算法函数
1、glmfit()
  功能：构建⼀个⼴义线性回归模型。
  使⽤格式：b=glmfit（X，y，distr），根据属性数据X以及每个记录对应的类别数据y构建⼀个线性回归模型，distr可取值为：binomial、gamma、inverse gaussian、normal（默认值）和poisson，分别代表不同类型的回归模型。
2、patternnet() 
  功能：构建⼀个模式识别神经⽹络。
  模式识别神经⽹络是⼀个前馈神经⽹络，通过对已知含有标签的数据进⾏训练得到神经⽹络模型，从⽽可以对新的不含标签的数据进⾏分类。⽤于输⼊的标签数据需要进⾏特殊编码，即⼀个类别使⽤⼀个向量进⾏表⽰，⽐如⼀共有3个类别，那么类别1可以编码为[1，0，0]，类别3可以编码为[0，0，1]。
  使⽤格式：net=patternnet（hiddenSizes，trainFcn，performFcn），构建⼀个隐含层神经元个数为hiddenSizes，模型函数为trainFcn，性能函数为performFcn的神经⽹络net。
  主要的模型函数有：
  Trainscg：使⽤标度共梯度算法更新权值和偏移值
  Trainlm：使⽤LM算法更新权值和偏移值
  Trainbr：使⽤LM算法更新权值和偏移值（贝叶斯正则化）
  Trainrp：根据弹反向传播算法更新权值和偏移值
3、fitctree()
  功能：构建⼀个⼆叉分类树，每个分⽀节点根据输⼈数据进⾏确定。
  使⽤格式：tree=fitctree(x，y)，根据数据的属性数据x以及每个记录对应的类别数据y构建⼀个⼆叉分类树tree。
4、fitensemble()
  功能：创建⼀个模型，该函数可以根据不同的参数构建不同的模型，可以⽤于分类或者回归。
  使⽤格式：Ensemble=fitensemble（x，y，Method，NLearn，Learners），根据输⼊属性数据x以及每个记录对应的y值（如y是离散型变量，则模型为分类模型；如y是连续型变量，则模型为回归模型）、Method（⽤于构建的模型名称）、NLearn（模型学习的循环次数）以及Learners值（弱学习算法名称，有三个值，分别是“Discriminant”“KNN”“Tree”）构建⼀个分类或者回归模型。该模型的性能依赖于弱学习算法的参数设置，如果这些参数设置不合理，将导致较差的性能。
  常⽤的method：
  ①参数值：AdaBoostM1
  适⽤范围：适⽤于⼆类别分类
  ②参数值：LogitBoost
  适⽤范围：适⽤于⼆类别分类
  ③参数值：GentleBoost
  适⽤范围：适⽤于⼆类别分类
  ④参数值：AdaBoostM2
  适⽤范围：适⽤于三类别分类及以上
  使⽤fitensemble函数构建三个模型，对⽐三个模型的误差。
rng(0,'twister')
Xtrain=rand(2000,20);
Ytrain=sum(Xtrain(:,1:5),2)>2.5;
idx=randsample(2000,200);
Ytrain(idx)=~Ytrain(idx);
%构建⼀个AdaBoostM1模型
ada=fitensemble(Xtrain,Ytrain,'AdaBoostM1',300,'Tree','LearnRate',0.1);
%构建⼀个RobustBoost模型，设置误差阈值为0.15
rb1=fitensemble(Xtrain,Ytrain,'RobustBoost',300,'Tree','RobustErrorGoal',0.15,'RobustMaxMargin',1);正则化可以产生稀疏权值
%构建⼀个RobustBoost模型，设置误差阈值为0.01
rb2=fitensemble(Xtrain,Ytrain,'RobustBoost',300,'Tree','RobustErrorGoal',0.01)
figure
plot(resubLoss(rb1,'Mode','Cumulative'))
hold on
plot(resubLoss(rb2,'Mode','Cumulative'),'r--');
plot(resubLoss(ada,'Mode','Cumulative'),'g.');
hold off
xlabel('Number of trees');
ylabel('Resubstitution error');
legend('ErrorGoal=0.15','ErrorGoal=0.01','AdaBoostM1','Location','NE');
5、fitNaiveBayes()
  功能：创建⼀个朴素贝叶斯分类器。
  使⽤格式：NBModel=fitNaiveBayes（x，y），根据输⼊数据x以及每个x对应的类别号y（如果y为NaN或者空字符串‘’或者unidefined，都会被视为缺失值，朴素贝叶斯分类器会直接忽略这些值对应的x）构建⼀个朴素贝叶斯分类器。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。