在构建高质量的预测分类模型时,选择合适的特征(或预测器)和调整超公数(未估计的型号参数)非常重要。
要调整特定模型的超级参数,请选择HyperParameter值并使用这些值交叉验证模型。例如,要调整SVM模型,请选择一组框约束和内核尺度,然后交叉验证每对值的模型。某些统计和机器学习工具箱™分类功能通过贝叶斯优化,网格搜索或随机搜索提供自动封路数据。但是,主要函数用于实施贝叶斯优化,Bayesopt.
,足够灵活,可用于其他应用程序。看贝叶斯优化工作流程。
特征选择和HyperParameter调整可以产生多种型号。你可以比较K.- 售价率,接收器操作特征(Roc)曲线,或模型中的混淆矩阵。或者,进行统计测试以检测分类模型是否显着优于另一个。
自动选择具有调谐超参数的型号,使用fitcauto.
。此函数尝试选择具有不同超参数值的分类模型类型,并返回最终模型,预计将在新数据上表现良好。采用fitcauto.
当您不确定哪种分类器类型最适合您的数据。
以交互式建立和评估分类模型,使用分类学习者应用程序。
分类学习者 | 火车模型以使用监督机器学习对数据进行分类 |
用于培训,比较和改进分类模型的工作流程,包括自动化,手动和并行培训。
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。
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。
了解要素选择算法并探索功能选择的功能。
本主题介绍了顺序特征选择,并提供了一个使用自定义标准顺序选择功能的示例序列
功能。
邻域分量分析(NCA)是一种非参数方法,用于选择具有最大化回归和分类算法的预测准确性的目标。
此示例显示了如何调整正则化参数FSCNCA
使用交叉验证。
通过删除预测器来制造更强大和更简单的模型,而不会影响模型的预测力。
此示例显示如何选择分类高维数据的功能。
使用fit函数或调用Bayesopt.
直接地。
为贝叶斯优化创建变量。
为贝叶斯优化创建目标函数。
为贝叶斯优化设置不同类型的约束。
使用贝叶斯优化最小化交叉验证损失。
优化SVM分类器使用Bayesian Optimization
使用使用的交叉验证损失最小化优化肝素
名称值对在拟合功能中。
在视觉上监控贝叶斯优化。
监控贝叶斯优化。
了解贝叶斯优化的底层算法。
贝叶斯优化如何并行工作。