训练分类模型的分类学习者应用
您可以使用这些分类器的分类学习者训练模型:决策树、判别分析、支持向量机、逻辑回归,最近的邻居,朴素贝叶斯、内核近似,乐团,和神经网络。万博1manbetx除了训练模型,您可以探索你的数据,选择特性,指定验证计划,并评估结果。您可以导出一个模型到工作区使用模型与新数据或生成MATLAB®代码来学习编程的分类。
训练模型分类学习者由两部分组成:
验证模型:火车模型验证方案。默认情况下,应用程序通过应用交叉验证防止过度拟合。或者,你可以选择坚持验证。验证模型在应用程序是可见的。
完整的模型:火车模型完整的数据没有验证。应用这个模型火车同时与验证模型。然而,模型训练数据的应用程序是不可见的。当你选择一个分类器出口到工作区,分类学习者出口完整的模型。
请注意
应用程序不使用测试数据对模型的训练。模型从应用程序导出完整的训练数据,不包括任何数据用于测试。
这个应用程序显示的结果验证模型。诊断措施,比如模型精度和情节,如散点图或混淆矩阵图,反映了模型的结果进行验证。你可以自动训练一个或多个分类器,比较验证结果,选择最好的模型,该模型适用于你的分类问题。当你选择一个模型导出到工作区,分类学习者出口完整的模型。因为分类学习者创建一个完整的模型对象模型在培训期间,你的经验没有滞后时间当你导出模型。您可以使用新数据导出的模型进行预测。
开始训练模型类型的选择,明白了自动分类器训练。如果你已经知道你想训练分类器类型,明白了手工分类器训练。
自动分类器训练
您可以使用分类学习者自动选择不同的训练分类模型在你的数据。
开始通过自动训练多个模型。您可以快速尝试选择模型,然后探讨有前途的交互模型。
如果你已经知道你想要什么分类器类型,个体分类器训练。看到手工分类器训练。
在应用程序选项卡,机器学习和深度的学习组中,单击分类学习者打开分类学习者应用。
在分类学习者选项卡,文件部分中,点击新会话从工作区并选择数据或从一个文件中。指定一个响应变量和变量作为预测因子。或者,单击开放打开之前保存应用程序会话。看到选择数据分类或打开保存应用程序会话。
在模型部分,单击箭头来展开的列表分类模型。选择所有Quick-To-Train。这个选项列车所有可用的模型预设为你快速适应的数据集。
在火车部分中,点击火车都并选择火车都。
请注意
如果你有并行计算工具箱™,默认应用程序并行火车模型。看到并行分类器训练。
选择模型类型中出现模型窗格。当模型完成训练,最好的比例准确性(验证)分数是概述了在一个盒子里。
点击模型模型窗格并打开相应的情节来探索结果。
尝试所有可用nonoptimizable分类器模型预设数据集,点击所有在模型部分的分类学习者选项卡。
在火车部分中,点击火车都并选择选择火车。
手工分类器训练
如果你想探索个体的模型类型,或如果你已经知道分类器类型你想要的,你可以训练分类器一次或作为一个群体。
选择一个分类器。在分类学习者选项卡,模型节中,单击一个分类器类型。看到所有可用的分类器选项,点击最右边的箭头模型部分扩大分类器的列表。nonoptimizable模型选择的模型画廊是预设的起点与不同的设置,适合各种不同的分类问题。
读的描述每一个分类器,切换到细节视图。
每个选项的更多信息,请参阅选择分类器选项。
选择一个分类器后,您可以训练模型。在火车部分中,点击火车都并选择选择火车。重复这个过程尝试不同的分类器。
或者,您可以创建多个草案模型然后火车模型。在火车部分中,点击火车都并选择火车都。
提示
首先尝试决策树和判别。如果模型不够准确预测响应,尝试其他分类器更高的灵活性。为了避免过度拟合,寻找一个模型较低的灵活性,提供足够的精度。
如果你想尝试所有nonoptimizable相同或不同类型的模型,然后选择其中的一个所有选项的模型画廊。
或者,如果你想自动调整hyperparameters特定模型的类型,选择相应的Optimizable模型和执行hyperparameter优化。有关更多信息,请参见Hyperparameter优化分类学习者应用。
下一步,请参阅比较和提高分类模型
并行分类器训练
你可以训练模型并行使用分类学习者如果你有并行计算工具。并行训练可以训练多个分类器和继续工作。
控制并行训练,切换使用并行按钮火车部分的分类学习者选项卡。培训草案并行模型,确保之前点击按钮进行切换火车都。的使用并行按钮只有如果你有并行计算工具。
的使用并行按钮是默认。你第一次点击火车都并选择火车都或选择火车将显示一个对话框,而应用程序打开一个平行的工人。池打开之后,可以多个分类器训练。
当并行分类器训练,进步指标出现在每个培训和排队模型模型窗格。如果你想要,你可以取消单个模型。在培训期间,您可以检查结果和情节从模型,并启动训练的分类器。
如果你有并行计算工具箱,然后并行训练用于nonoptimizable模型分类学习者,和你不需要设置UseParallel选择的statset函数。
请注意
如果你没有并行计算工具箱,你仍然可以保持应用程序响应在模型训练。在训练模型,草案分类学习者选项卡,火车部分中,点击火车都并确保使用背景培训复选框被选中。然后,选择火车都选择。一个对话框显示在应用程序打开一个背景池。池打开后,可以继续与应用程序交互,同时在后台模型火车。
比较和提高分类模型
检查准确性(验证)分数报告模型为每个模型面板中。点击模型模型窗格并打开相应的情节来探索结果。情节比较模型的性能通过检查结果。你可以重新排列的布局图对比结果跨多个模型:使用的选项布局按钮,拖拽的阴谋,或选择选项提供的文档模型的行为向右箭头图选项卡。
另外,您可以通过比较模型排序选项的模型窗格。删除任何不必要的模型通过选择模型和点击删除选定的模型按钮在右上角的窗格中,点击删除在模型部分的分类学习者选项卡,或右键单击并选择模型删除。
选择最好的模型模型窗格,然后尝试包括和不包括在模型中不同的特性。
首先,创建一个模型的复制。在选择模型,点击重复的在模型部分的分类学习者选项卡或右键单击并选择模型重复的。
然后,单击特征选择在选项部分的分类学习者选项卡。使用可用的特性排名算法选择功能。
尽量平行坐标图帮助你识别功能删除。看你是否能提高预测能力较低的模型通过删除功能。指定要包括在模型中,预测和培训新模式使用新的选项。比较结果的模型中模型窗格。
你也可以尝试转换特性与主成分分析降低维数。点击主成分分析在选项部分的分类学习者选项卡。
为了进一步完善模型,你可以复制它,改变中的分类器hyperparameter选项模型Hyperparameters模型的部分总结选项卡,然后火车模型使用新的选项。学习如何控制模型的灵活性,明白了选择分类器选项。自动信息如何调优模型hyperparameters,明白了Hyperparameter优化分类学习者应用。
如果特征选择,PCA,或新hyperparameter值改善你的模型,试着训练所有模型类型与新设置。看看另一种模型类型并更好地与新设置。
提示
为了避免过度拟合,寻找一个模型较低的灵活性,提供足够的精度。例如,寻找简单的模型,如决策树和判别,快速和容易理解。如果模型不够准确预测响应,选择其他分类器更高的灵活性,如集合体。学习模型的灵活性,明白了选择分类器选项。
这个图显示的应用模型窗格包含各种分类器类型。
一个循序渐进的例子比较不同的分类器,看到火车使用分类学习者应用决策树。
为下一个步骤,与不同的数据训练模型生成代码,或训练模型导出到工作空间使用新数据进行预测。看到出口分类模型来预测新数据。
