Shashank Prasanna MathWorks
分类学习器允许您执行常见的监督学习任务,例如交互式地探索您的数据、选择特性、指定验证方案、培训模型和评估结果。
您可以将分类模型导出到MATLAB®工作区,或生成MATLAB代码模型集成到应用程序。
分类学习者是统计和机器学习工具箱中的一个新应用程序,它可以让你训练模型来分类数据使用监督机器学习。分类学习器允许您执行常见的机器学习任务,例如导入数据、指定验证方案、交互式地研究数据、选择特性、培训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、最近邻以及支持、增强和随机子空间方法的集成方法。万博1manbetx您还可以将分类模型导出到MATLAB工作空间,以生成对新数据的预测,或者生成MATLAB代码,将训练模型集成到计算机视觉、信号处理或数据分析等应用程序中。
您可以在MATLAB命令行中输入Classification Learner,然后在apps gallery中点击Classification Learner app来启动Classification Learner。分类学习器允许您从矩阵或表中导入数据。该应用程序可以根据您的数据类型自动识别您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折交叉验证,坚持,或重新替代。
成对散点图让您浏览数据,重要的预测,离群,和视觉模式或趋势。在解决分类问题,没有一个放之四海而皆准。不同的分类适用于不同类型的问题和数据集。在分辨画廊提供的选项是很好的出发点,是适用于各种不同的分类问题。如果你不知道选哪个,弹出工具提示为您提供了每个分类的简要说明。
训练一个新模型很容易。首先,在图库中简单地选择一个分类器预置。接下来,点击火车。当前模型窗格显示关于您的模型的有用信息,例如分类器类型、预置、选择的特性和模型的状态(如果它是经过训练的、未经过训练的或经过训练的)。一旦模型被训练,检查历史列表,看看验证集上分类器的准确性。
分类学习可以让你很快地训练多个模型。对于每一个训练模型,你可以通过在散点图工具条中的情节部分提供检查结果,混淆矩阵,以及ROC曲线比较模型的性能。散点图上,交银团误判点。混淆矩阵可让您评估当前选择的分类中的每个类是如何进行的。显性对角线混淆矩阵显示了良好的分类,因为所有的预测标签与实际的标签。关对角线数指明误判点。
ROC或ROC曲线,说明你真阳性率与该分类器输出的不同的阈值的假阳性率。没有错误分类点一个完美的结果是左图的顶部成直角。曲线下面积分类的整体质量的度量。基于模型的评估,如果决定模型可以进一步改进,你可以尝试用低的预测能力删除功能,或者使用高级选项更改分类设置。
在“分类学习器”中交互式地创建分类模型之后,您可以导出表现最好的模型,如绿色方框所示。单击Export,模型应该会出现在您的MATLAB工作空间中。您可以使用这个训练过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,以便在新数据上训练分类器,或者将代码集成到其他机器学习应用程序中。
当与分类学习工作,帮助永远只是一个点击即可。只需导航使用右上角的帮助按钮找到所有您需要了解学习者的分类信息的文档。例如,该表显示在这里你根据精度,速度选择正确的分类指导,内存权衡你想。
有关分类学习者的更多信息,以及查看和下载示例数据集,请访问分类学习者页面。您可以通过点击apps进入该页面,然后从统计和机器学习工具箱产品页面进入分类学习器。这是对分类学习者的视频介绍。感谢收看。