使用分类学习应用程序训练神经网络分类器
这个例子展示了如何在Classification Learner应用程序中创建和比较神经网络分类器，并将训练好的模型导出到工作空间以对新数据进行预测。
在MATLAB中®命令窗口，加载
fisheriris数据集，并从数据集中的变量创建一个表，用于分类。()“fisheriris.csv”）;单击应用程序选项卡，然后单击显示更多右边的箭头打开应用程序库。在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，在文件部分中,点击新会话并选择从工作空间．
在“从工作区新建会话”对话框中，选择表
fishertable从数据集变量列出(如有必要)。观察应用程序根据它们的数据类型选择了响应变量和预测变量。花瓣和萼片的长度和宽度是预测因子，而物种是你想要分类的响应。对于本例，不要更改选择。若要接受默认验证方案并继续，请单击开始会议．默认的验证选项是5倍交叉验证，以防止过拟合。
分类学习器创建数据的散点图。
使用散点图调查哪些变量对预测响应有用。选项中选择不同的选项X和Y列表下预测使物种分布和测量可视化。注意哪些变量最清楚地区分了物种的颜色。
创建一个选择的神经网络模型。在分类学习者选项卡，在模型部分，单击箭头打开图库。在神经网络分类器组中,单击全神经网络．
在火车部分中,点击火车都并选择火车都．
请注意
如果你有并行计算工具箱™，那么应用程序有使用并行按钮默认打开。点击之后火车都并选择火车都或选择火车，该应用程序打开了一个并行的工人池。在此期间，您不能与软件交互。池打开后，你可以在模型并行训练时继续与应用程序交互。
如果你没有并行计算工具箱，那么应用程序有使用背景培训的复选框。火车都默认选中的菜单。在你点击训练模型后，应用程序会打开一个后台池。游泳池打开后，你可以继续与应用程序互动，而模型在后台训练。
分类学习器训练库中每个神经网络分类选项中的一个，以及默认的细树模型。在模型窗格，应用程序概述准确性(验证)最佳模型得分。分类学习器还显示了第一个神经网络模型的验证混淆矩阵(窄神经网络）.
中选择一个模型模型窗格以查看结果。例如，双击窄神经网络模型(模型2.1)。检查模型总结选项卡，它显示培训结果度量，在验证集上计算。
检查训练模型的散点图。在分类学习者选项卡，在情节部分，单击箭头打开图库，然后单击散射在验证结果组。正确分类的点用O标记，错误分类的点用X标记。
请注意
验证在结果中引入了一些随机性。您的模型验证结果可能与本示例中显示的结果不同。
检查每堂课预测的准确性。在分类学习者选项卡，在情节部分，单击箭头打开图库，然后单击混淆矩阵(验证)在验证结果组。查看真实类和预测类结果的矩阵。
对于每个剩余的模型，在模型窗格，打开验证混淆矩阵，然后跨模型比较结果。
选择最好的模型在模型窗格(最好的分数突出显示在准确性(验证)盒)。看看你是否可以通过删除低预测能力的特征来改进模型。
首先复制最佳模型。在分类学习者选项卡，在模型部分中,点击重复的．
要研究要包括或排除的特征，请使用平行坐标图。在分类学习者选项卡，在情节部分，单击箭头打开图库，然后单击平行坐标在验证结果组。
您可以指定在模型训练期间使用的预测器总结选项卡。点击特征选择展开该部分，并指定要从模型中删除的预测器。
或者，您可以使用特征排序算法来确定在模型训练期间使用哪些特征。在分类学习者选项卡，在选项部分中,点击特征选择．在默认特性选择选项卡，指定要使用的特征排序算法。指定要保留在排名最高的特性中的特性数量。您可以使用条形图来帮助决定使用多少特征。
点击保存并应用来保存更改。将新的特征选择应用到已有的草稿模型中模型面板中的图库创建的新草稿模型模型部分分类学习者选项卡。
训练模型。在分类学习者选项卡，在火车部分中,点击火车都并选择选择火车使用新的选项来训练模型。中的分类器之间比较结果模型窗格。
选择最好的模型在模型窗格。为了进一步改进模型，可以改变它的超参数。方法复制模型重复的按钮。模型部分。然后，尝试更改模型中的超参数设置，如完全连接层的大小或正则化强度总结选项卡。通过点击来训练新模型火车都并选择选择火车在火车部分。
要了解有关神经网络模型设置的更多信息，请参见神经网络分类器．
您可以将训练模型的完整版本或精简版本导出到工作区。在分类学习者选项卡，在出口部分中,点击出口模式然后任意选择出口模式或出口紧凑型．看到导出分类模型以预测新数据．
要查看训练此分类器的代码，请单击生成函数在出口部分。
提示
使用相同的工作流程来评估和比较您可以在Classification Learner中训练的其他分类器类型。
为您的数据集训练所有不可优化的分类器模型预设:
在分类学习者选项卡，在模型节中，单击箭头打开模型库。
在开始组中,单击所有．然后，在火车部分中,点击火车都并选择火车都．
要了解其他分类器类型，请参见在分类学习器App中训练分类模型．
