Bernhard Suhm, MathWorks
Classification Learner允许您执行常见的有监督的学习任务,如交互式地探索数据、选择特征、指定验证方案、训练模型和评估结果。
您可以将分类模型导出到MATLAB®工作区,或者生成MATLAB代码来将模型集成到应用程序中。
Classification Learner是统计和机器学习工具盒中的一款新应用,它可以让你训练模型使用监督机器学习对数据进行分类。Classification Learner允许您执行常见的机器学习任务,如导入数据、指定验证方案、交互式地探索数据、选择特征、训练模型和评估模型性能。您可以从几种分类类型中进行选择,包括决策树、支持向量机、最近邻和集成方法(包括备份、增强和随机子空间方法)。万博1manbetx您还可以将分类模型导出到MATLAB工作区以生成对新数据的预测,或者生成MATLAB代码以将训练模型集成到诸如计算机视觉、信号处理或数据分析等应用程序中。
在MATLAB命令行中输入“分类学习器”即可启动“分类学习器”,全部通过单击app gallery中的“分类学习器”app即可启动。Classification Learner允许您从矩阵或表中导入数据。该应用程序可以根据你的数据类型自动识别你的预测器和响应变量。下一步是选择验证方案来检验拟合模型的预测精度。选择k-fold交叉验证,坚持,或重新替换。
两两散点图允许您探索您的数据,以发现重要的预测因子、异常值和可视的模式或趋势。在解决分类问题时,没有一种方法是万能的。不同的分类器最适合于不同类型的问题和数据集。分类器库中提供的选项是很好的起点,适用于一系列不同的分类问题。如果您不确定选择哪个,弹出工具提示会给您每个分类器的简短描述。
训练一个新模型很容易。首先,简单地在图库中选择一个分类器预置。接下来,点击火车。current model窗格显示关于您的模型的有用信息,例如分类器类型、预设置、选择的特性,以及模型的状态(是否训练过、未训练过或训练过)。一旦模型训练完成,检查历史列表以查看验证集上分类器的准确性。
分类学习者可以让你非常快速地训练多个模型。对于每个训练过的模型,您可以通过检查工具条的plot部分中可用的散点图、混淆矩阵和ROC曲线中的结果来比较模型的性能。在散点图上,交叉辛迪加错误分类的点。混淆矩阵允许您评估当前选择的分类器在每个类中的执行情况。主要对角混淆矩阵表示一个好的分类器,因为所有的预测标签都与实际标签匹配。表示分类错误的点的非对角数。
ROC或接受者操作特征曲线,显示了分类器输出的不同阈值的真实阳性率和假阳性率。没有错误分类的点的完美结果是在图的左上角有一个直角。曲线下的面积是衡量分类器整体质量的一个指标。根据您的模型评估,如果您决定一个模型可以进一步改进,您可以尝试去除具有低预测能力的特性,或者使用高级选项来更改分类器设置。
在分类学习器中交互式地创建分类模型之后,可以导出性能最好的模型,如图所示。单击Export,模型应该出现在您的MATLAB工作区中。您可以使用这个经过训练的模型对新数据进行预测。您还可以为您的最佳模型生成MATLAB代码,以在新数据上训练分类器,或将代码集成到其他机器学习应用程序中。
当工作与分类学习者,帮助总是只需点击离开。只需使用右上方的Help按钮导航到文档,就可以找到有关Classification Learner所需的所有信息。例如,这里的表向您展示了如何根据您希望进行的准确性、速度和内存权衡来选择正确的分类器的指南。
想要获得更多关于“分类学习者”的信息,以及查看和下载示例数据集,请访问“分类学习者”页面。你可以点击app进入页面,然后从统计和机器学习工具箱的产品页面对学习者进行分类。分类学习者介绍视频到此结束。感谢收看。
特色产品
您也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。