您可以使用回归学习者培训回归模型,包括线性回归模型,回归树,高斯过程回归模型,支持向量机,回归树的集合,以及神经网络回归模型。万博1manbetx除了培训模型外,您还可以探索您的数据,选择功能,指定验证方案和评估结果。您可以将模型导出到工作区以使用新数据或生成MATLAB的模型®用于了解程序分类的代码。
回归学习者模型的训练包括两部分:
验证模型:使用验证方案训练模型。默认情况下,应用程序通过应用交叉验证来防止过拟合。或者,您可以选择拒绝验证。经过验证的模型在应用程序中可见。
完整模式:在无验证的情况下在完整数据上培训模型。该应用程序与已验证的模型同时培训此模型。但是,在应用中不可见在完整数据上培训的模型。当您选择要导出到工作区的回归模型时,回归学习者导出完整模型。
该应用程序显示验证模型的结果。诊断措施,如模型的准确性,和图,如响应图或残差图反映验证的模型结果。您可以自动训练一个或多个回归模型,比较验证结果,并选择适合您的回归问题的最佳模型。当您选择要导出到工作区中的模型时,Regression Learner将导出完整的模型。因为Regression Learner在训练期间创建了完整模型的模型对象,所以在导出模型时不会有延迟时间。您可以使用导出的模型对新数据进行预测。
要通过培训选择型号类型,请参阅自动回归模型训练.如果你已经知道你想训练哪个回归模型,请看手动回归模型培训.
您可以使用回归学习者自动在您的数据上自动培训各种不同的回归模型。
从同时自动训练多个模型开始。您可以快速地尝试选择一些模型,然后交互地探索有希望的模型。
如果您已经知道您想要的模型类型,那么您可以训练单独的模型。看到手动回归模型培训.
在应用程序标签,在机器学习组中,单击回归学习者.
点击新会议并从工作区或文件中选择数据。指定响应变量和用作预测器的变量。看到选择回归问题的数据和验证.
在回归学习者标签,在模型类型部分中,单击箭头以展开回归模型列表。选择所有速度.此选项列列出了快速适合的所有模型预设。
点击火车.
请注意
如果您有Parallel Computing Toolbox™,您可以并行地训练模型。看到平行回归模型训练.
选择了一系列型号类型楷模窗格。当模特们完成训练后,最好RMSE(验证)分数在一个盒子里突出显示。
点击模型中的模型楷模窗格探索地块的结果。
要尝试所有不可优化的模型预置,请单击全部,然后单击火车.
要探索单个模型类型,您可以一次训练一个模型,或者训练一组相同类型的模型。
选择一个模型类型。在回归学习者标签,在模型类型节中,单击模型类型。要查看所有可用的模型选项,请单击模型类型展开回归模型列表的部分。库中的非优化模型选项是具有不同设置的预设起点,适用于一系列不同的回归问题。
要阅读模型的描述,请切换到详细信息视图或将鼠标悬停在按钮上以显示其工具提示。
有关每个选项的更多信息,请参见选择回归模型选项.
选择模型后,单击火车.
重复探索不同的型号。
提示
首先选择回归树。如果您的培训模型无法准确预测响应,则尝试具有更高灵活性的其他模型。为避免过度拟合,请查找较少的灵活模型,提供足够的准确性。
如果要尝试所有相同或不同类型的非优化模型,则选择其中一个全部在画廊的选项。
另外,如果您想自动调优特定模型类型的超参数,请选择相应的Optimizable建立超参数优化模型。有关更多信息,请参见回归学习者应用中的HyperParameter优化.
对于下一步,请参阅比较和改进回归模型.
如果您有并行计算工具箱,您可以使用回归学习者并行培训模型。并行培训允许您同时培训多个模型并继续工作。
要控制并行训练,切换使用并行App ToolStrip上的按钮。这使用并行按钮只有在您拥有并行计算工具箱时才可用。
第一次点击火车点击后使用并行按钮,您在应用程序打开并行工人池时会看到一个对话框。池开放后,您可以立即培训多个模型。
当模型并行培训时,您会在每个培训和排队模型上看到进度指标楷模窗格。如果需要,您可以取消各个模型。在培训期间,您可以检查模型的结果和图表,并启动更多型号的培训。
如果你有并行计算工具箱,那么在回归学习器中可以使用并行训练,你不需要设置使用指α.
选择的实例化
函数。
请注意
您无法并行执行HyperParameter Optimization。该应用程序禁用使用并行按钮时,您选择一个可优化的模型。如果您随后选择了一个不可优化的模型,则默认关闭该按钮。
点击模型中的模型楷模窗格以探索图中的结果。通过检查图中的结果来比较模型性能。检查RMSE(验证)报告的分数楷模每个模型的窗格。
此外,您可以使用使用模型进行比较排序方式选项的楷模窗格。删除任何不需要的模型,方法是选择模型并单击删除所选模型按钮,或者右键单击模型并选择删除模型.
看到评估回归学习者的模型性能.
选择最佳模型楷模窗格,然后尝试在模型中包括和排除不同的功能。点击功能选择.
尝试响应图来帮助您识别要删除的功能。看看您是否可以通过删除具有低预测电源的功能来改进模型。指定预测器以包含在模型中,并使用新选项培训新模型。比较模型中的结果楷模窗格。
您还可以尝试使用PCA转换功能以减少维度。
通过更改“高级”对话框中的“模型参数设置”进一步完善模型。然后,使用新选项列车。要了解如何控制模型灵活性,请参阅选择回归模型选项.有关如何自动调优模型参数设置的信息,请参见回归学习者应用中的HyperParameter优化.
如果特征选择、主成分分析或新的参数设置可以改进您的模型,请尝试训练全部模型类型的新设置。看看另一种模型类型是否在新的设置下表现更好。
提示
为避免过度拟合,请查找较少的灵活模型,提供足够的准确性。例如,寻找简单的模型,例如快速且易于解释的回归树。如果您的模型不够准确,则尝试具有更高灵活性的其他模型,例如集合。要了解模型灵活性,请参阅选择回归模型选项.
这张图显示了带有楷模包含各种回归模型类型的窗格。
提示
对于逐步的示例,比较不同的回归模型,请参阅使用回归学习者的火车回归树.
接下来,您可以生成代码以使用不同的数据训练模型,或者将训练过的模型导出到工作区,以使用新数据进行预测。看到导出回归模型预测新数据.