Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.
-Clasificación de vecinos más cercanosk
es un modelo de clasificación de vecino más cercano en el que puede modificar tanto la métrica de distancia como el número de vecinos más cercanos.ClassificationKNN
Dado que un clasificador almacena datos de entrenamiento, puede usar el modelo para calcular las predicciones de resustitución.ClassificationKNN
Como alternativa, utilice el modelo para clasificar nuevas observaciones mediante el método.predict
Cree un modelo utilizando .ClassificationKNN
fitcknn
compareHoldout | Compare accuracies of two classification models using new data |
crossval | Cross-validated k-nearest neighbor classifier |
edge | Edge of k-nearest neighbor classifier |
loss | Loss of k-nearest neighbor classifier |
| Margin of k-nearest neighbor classifier |
predict | Predict labels using k-nearest neighbor classification model |
resubEdge | Edge of k-nearest neighbor classifier by resubstitution |
resubLoss | Loss of k-nearest neighbor classifier by resubstitution |
resubMargin | Margin of k-nearest neighbor classifier by resubstitution |
resubPredict | Predict resubstitution labels of k-nearest neighbor classifier |
Margen | Margin of k-nearest neighbor classifier |
La función reduce el tamaño de la mayoría de los modelos de clasificación quitando las propiedades de datos de entrenamiento y cualquier otra propiedad que no sea necesaria para predecir las etiquetas de las nuevas observaciones.compact
Dado que los modelos de clasificación de vecinos más cercanos requieren que todos los datos de entrenamiento predigan etiquetas, no se puede reducir el tamaño de un modelo.kClassificationKNN
encuentra a los vecinos más cercanos de puntos. encuentra todos los puntos dentro de una distancia fija.knnsearch
krangesearch
Puede utilizar estas funciones para la clasificación, como se muestra en .Clasificar datos de consulta Si desea realizar la clasificación, el uso de modelos puede ser más conveniente porque puede entrenar un clasificador en un paso (usando ) y clasificar en otros pasos (usando ).ClassificationKNN
fitcknn
predict
Como alternativa, puede entrenar un modelo de clasificación de vecino sin vecinos mediante una de las opciones de validación cruzada de la llamada a .kfitcknn
En este caso, devuelve un objeto de modelo validado entre referencias cruzadas.fitcknn
ClassificationPartitionedModel