这个例子展示了如何在分类学习者应用程序中构造判别分析分类器fisheriris
数据集。在分类学习者中,你可以对两个或两个以上的类使用判别分析。
在MATLAB®,加载fisheriris
数据集。
fishertable = readtable (“fisheriris.csv”);
在应用程序选项卡,机器学习和深度学习组中,单击分类学习者.
在分类学习者选项卡,文件部分中,点击新会话>从工作区.
在“新建会话”对话框中,选择表fishertable
从数据集变量列表(如果有必要)。观察应用程序根据数据类型选择响应和预测变量。花瓣和萼片的长度和宽度是预测因子,种类是你要分类的响应。对于本例,不要更改选择。
点击开始会议.
分类学习者创建数据的散点图。
使用散点图来可视化哪些变量对预测响应是有用的。在X轴和y轴控件中选择不同的变量。观察哪些变量将类区分得最清楚。
训练两个非最优判别分析分类器,在分类学习者选项卡,模型类型节中,单击向下箭头以展开分类器列表,并在判别分析,点击所有的判别.
然后单击火车.
如果你有并行计算工具箱™,那么第一次点击火车当应用程序打开并行的工作人员池时,你会看到一个对话框。在池打开后,您可以一次训练多个分类器并继续工作。
分类学习者训练图库中的每一个分类选项,线性和二次判别,并突出最好的分数。该应用程序在一个框中勾勒出精度最好的模型得分。
在History列表中选择一个模型以查看结果。检查训练模型的散点图,并尝试绘制不同的预测因子。分类错误的点用X表示。
检查每节课预测的准确性分类学习者选项卡,情节部分中,点击混淆矩阵.查看真实班级和预测班级结果的矩阵。
选择列表中的其他模型进行比较。
有关不同模型类型的强度的信息,请参见判别分析.
在历史记录列表中选择最好的型号(最好的分数在方框中高亮显示)。为了改进模型,尝试在模型中加入不同的功能。看看是否可以通过删除预测能力低的特征来改进模型。
在分类学习者选项卡,特性部分中,点击特征选择.在Feature Selection对话框中,指定要从模型中删除的预测器,然后单击火车用新的选项训练一个新的模型。比较History列表中分类器之间的结果。
要调查特征,包括或排除,使用平行坐标图。在分类学习者选项卡,情节部分中,选择平行坐标图.
在历史列表中选择最好的型号。为了进一步改进模型,请尝试更改分类器设置。在分类学习者选项卡,模型类型部分中,点击先进的.尝试更改设置,然后单击训练新模型火车.有关设置的信息,请参见判别分析.
要将训练过的模型导出到工作空间,请选择Classification Learner选项卡并单击出口模式.看到导出分类模型来预测新数据.
要检查用于训练此分类器的代码,请单击生成函数.
使用相同的工作流来评估和比较您可以在分类学习器中训练的其他分类器类型。
尝试所有不可优化的分类器模型预置您的数据集:
单击最右边的箭头模型类型节以展开分类器列表。
点击所有,然后单击火车.
要了解其他分类器类型,请参见在分类学习者应用程序中训练分类模型.