选择不同的算法来训练和验证二进制或多类问题的分类模型。对多个模型进行训练后,将其验证误差进行比较,选择最优模型。为了帮助你决定使用哪种算法,请看在分类学习者应用程序中训练分类模型。
此流程图显示了在classification Learner应用程序中训练分类模型或分类器的通用工作流。
分类学习者 | 使用有监督的机器学习训练模型来分类数据 |
培训、比较和改进分类模型的工作流,包括自动化、手动和并行培训。
从工作空间或文件中将数据导入Classification Learner,找到示例数据集,并选择交叉验证或拒绝验证选项。
在分类学习者中,自动培训各种型号,或比较和调整决策树的选项,判别分析,逻辑回归,天真贝叶斯,支持向量机,最近的邻居,集合和神经网络模型。万博1manbetx
比较模型精度分数,通过绘制类预测来可视化结果,并在混淆矩阵中检查每个类的性能。
在分类学习者培训后,将模型导出到工作区,生成MATLAB®代码,或生成用于预测的C代码。
创建和比较分类树,并导出训练过的模型来预测新数据。
创建和比较判别分析分类器,并导出培训的模型来对新数据进行预测。
创建和比较逻辑回归分类器,并导出培训的模型来对新数据进行预测。
创建和比较朴素贝叶斯分类器,并导出训练过的模型来预测新数据。
创建和比较支持向量机(SVM)分类器,万博1manbetx以及导出培训的模型,以便对新数据进行预测。
创建和比较最近的邻邻分类器,并导出培训的模型来对新数据进行预测。
创建和比较集合分类器,并导出培训的模型,以便对新数据进行预测。
创建和比较神经网络分类器,并导出培训的模型来对新数据进行预测。
使用绘图识别有用的预测器,手动选择要包含的功能和使用PCA在分类学习者中使用PCA的功能。
在培训任何分类模型之前,请指定与错误分类一个类的观察相关的成本进入另一级。
在指定错误分类成本后创建分类器,并比较模型的准确性和总错误分类成本。
利用超参数优化技术自动调整分类模型的超参数。
在分类学习者应用中使用HyperParameter优化的火车分类器
用优化的超参数训练分类支持向量机模型。万博1manbetx
将测试集导入到Classification Learner中,并检查测试集指标以获得最佳的训练模型。
导出和定制培训前后创建的地块。
使用classification Learner app训练分类模型,并生成C/ c++代码用于预测。
此示例显示如何使用分类学习者培训Logistic回归模型,然后生成使用导出的分类模型预测标签的C代码。