机器学习在MATLAB
机器学习是什么?
机器学习教计算机去做是自然对人类:从经验中学习。机器学习算法使用计算方法来“学习”信息直接从数据模型不依赖一个预先确定的方程。算法自适应地改善他们的表现作为可供学习样本数量的增加。
机器学习使用两种类型的技术:监督学习(如分类和回归)、火车模型在已知输入和输出数据,以便它可以预测未来输出,和无监督学习(如聚类),发现隐藏的模式或输入数据的内在结构。
监督机器学习的目的是建立一个模型,使预测基于证据的不确定性。监督学习算法需要一组已知的输入数据和已知的反应数据(输出)和火车模型生成合理的应对新数据的预测。监督学习使用分类和回归技术建立预测模型。
分类技术预测分类反应,例如,是否真正的电子邮件或垃圾邮件,或是否恶性或良性肿瘤。分类模型输入数据分类进行分类。典型应用包括医学成像、图像和语音识别,和信用评分。
回归技术预测连续反应,例如,温度变化或电力需求的波动。典型应用包括电力负荷预测和算法交易。
无监督学习中发现隐藏的模式或内在结构数据。它用于从输入数据集,其中包含作出推论没有标记反应。聚类是最常见的非监督学习技术。它用于探索性数据分析数据中发现隐藏的模式或分组。集群的应用程序包括基因序列分析,市场调研,目标识别。
选择正确的算法
选择合适的算法可以看起来overwhelming-there几十个监督和非监督机器学习算法,并且每个需要一种不同的方法学习。没有最好的方法或一刀切。找到合适的算法在一定程度上是基于试验和误差经验丰富数据科学家不能告诉没有尝试一种算法是否有效。高度灵活的模型往往overfit数据建模的微小的变化,这可能是噪音。简单的模型更容易解释,但可能有较低的精度。因此,选择合适的算法需要权衡一个好处,包括模型的速度、准确性和复杂性。试验和错误的核心机研究的一种方法或算法不工作,你试试另一个。MATLAB®提供了一些工具来帮助你尝试各种各样的机器学习模型和选择最好的。
找到MATLAB应用程序和功能帮助您解决机器学习任务,请参考下表。一些机器学习任务更容易通过使用应用程序,和其他人使用命令行功能。
任务 | MATLAB应用程序和功能 | 产品 | 了解更多 |
---|---|---|---|
分类预测分类响应 | 使用分类学习者应用自动列车模型的选择,帮助你选择最好的。你可以生成MATLAB代码和脚本。 对于更多的选项,您可以使用命令行界面。 |
统计和机器学习的工具箱™ | |
回归预测连续反应 | 使用回归学习者应用自动列车模型的选择,帮助你选择最好的。您可以生成MATLAB代码使用脚本和其他功能选项。 对于更多的选项,您可以使用命令行界面。 |
统计和机器学习工具 | |
聚类 | 使用聚类分析的功能。 | 统计和机器学习工具 | 聚类分析 |
计算金融信用评分等任务 | 使用工具对信用风险建模分析。 | 金融工具箱™和风险管理工具箱™ | 信用风险(金融工具箱) |
深度学习和神经网络分类和回归 | 使用pretrained网络和函数卷积神经网络训练。 | 深度学习工具箱™ | 深度学习在MATLAB(深度学习工具箱) |
面部识别、运动检测和目标检测 | 利用图像处理和计算机视觉的深度学习工具。 | 深度学习工具箱和计算机视觉的工具箱™ | 识别、目标检测和语义分割(计算机视觉工具箱) |
下面的机器学习系统的工作流可以帮你解决机器学习的挑战。你可以在MATLAB完成整个工作流程。
将最好的训练模型集成到生产系统中,您可以部署统计和机器学习工具箱使用机器学习模型MATLAB编译器™。对于许多模型,可以为预测使用生成c代码MATLAB编码器™。
训练分类模型的分类学习者应用
使用分类学习者应用训练模型使用监督机器学习分类数据。应用程序允许您探索监督机器学习交互地使用不同的分类器。
自动列车选择模型来帮助你选择最好的模型。模型类型包括决策树、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,合奏,神经网络分类器。万博1manbetx
探索你的数据,指定验证方案,选择功能,可视化的结果。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,您可以选择坚持验证。帮助你选择最好的模型验证结果数据。情节和性能的措施反映了模型的结果进行验证。
模型导出到工作空间与新数据做出预测。应用程序总是火车模型完整的数据除了模型指定的验证方案,和完整的模型是模型导出。
生成MATLAB应用程序中的代码,以创建脚本,火车与新数据,处理庞大的数据集,或修改代码进行进一步分析。
欲了解更多,请看训练分类模型的分类学习者应用。
对于更多的选项,您可以使用命令行界面。看到分类。
火车在回归学习者应用回归模型
使用回归学习者应用训练使用监督机器学习模型预测连续数据。这个应用程序可以让你探索监督机器学习交互地使用各种回归模型。
自动列车选择模型来帮助你选择最好的模型。模型类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,内核近似模型,回归树,总体回归模型和神经网络。万博1manbetx
探索你的数据,选择功能,可视化的结果。类似于回归分类学习者,学习者应用默认交叉验证。和可视化的结果反映了模型进行验证。用结果来选择最好的为您的数据模型。
模型导出到工作空间与新数据做出预测。应用程序总是火车模型完整的数据除了模型指定的验证方案,和完整的模型是模型导出。
生成MATLAB应用程序中的代码,以创建脚本,火车与新数据,处理庞大的数据集,或修改代码进行进一步分析。
欲了解更多,请看火车在回归学习者应用回归模型。
对于更多的选项,您可以使用命令行界面。看到回归。
训练神经网络进行深入学习
深度学习工具使您能够执行深度学习与卷积神经网络分类、回归、特征提取和传输的学习。MATLAB工具箱提供了简单的命令来创建和连接的层深的神经网络。例子和pretrained网络使它容易使用MATLAB进行深度学习,即使没有广泛的先进的计算机视觉算法或神经网络知识。
欲了解更多,请看深度学习在MATLAB(深度学习工具箱)。
相关的话题
- 火车在回归学习者应用回归模型
- 训练分类模型的分类学习者应用
- 聚类分析
- 信用风险(金融工具箱)
- 识别、目标检测和语义分割(计算机视觉工具箱)
- 深度学习在MATLAB(深度学习工具箱)