이번역번역이지는최신내용을담고담고않습니다않습니다。최신최신내용을영문영문으로여기를클릭클릭
고품질고품질예측분류모델을개발하는경우적합한(또는예측변수)을선택하고하이퍼파라미터(추정추정되지않은모델)를를해야합니다。
특정모델의하이퍼파라미터를조율하려면하이퍼파라미터값을선택하고이들값을사용하여모델을교차검증하십시오。예를들어,SVM모델을조정하려면상자제약조건과커널스케일의집합을선택하고,값의쌍각각에대해모델을교차검증하십시오。특정统计和机器学习工具箱™분류함수는베이즈최적화,그리드탐색또는임의탐색을통해자동하이퍼파라미터조율기능을제공합니다。그러나,베이즈최적화를구현하는주요함수Bayesopt.
은다른응용사례에사용할수있을정도로유연합니다。贝叶斯优化工作流程항목을참조하십시오。
특징선택과이퍼파라미터파라미터을통해모델이생성될수있습니다。모델간k겹겹,roc(수신자조작특성)곡선또는혼동행렬을비교할수수。또는분류모델이다른모델보다성능이훨씬더뛰어난지여부를할할있습니다있습니다있습니다수수수있습니다수수수있습니다수있습니다있습니다있습니다있습니다수있습니다수수수수있습니다수
조정된하이퍼파라미터가진가진모델자동으로선택하려면fitcauto.
를사용하십시오。이함수는다양한하이퍼파라미터파라미터값으로분류모델유형을해보고보고새새터에서잘수행될것으로되는최종모델을반환반환으로최종잘수행을반환어떤분류기유형이데이터에가장적합적합한지확신하지못할fitcauto.
를사용하십시오。
분류모델을대화형방식방식만들고가하려면분류학습기앱을사용하십시오。
분류학습기 | 머신러닝지도학습을사용하여데이터를분류하도록모델훈련시키기 |
자동화자동화된,수동수동,병렬훈련등분류을시키고비교하고향상시킬수워크플로입니다。
比较模型的准确性分数,通过绘制类预测图来可视化结果,并在混淆矩阵中检查每个类的表现。
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sequentialfs
功能。
邻域分量分析(NCA)是一种非参数的特征选择方法,其目标是最大限度地提高回归和分类算法的预测精度。
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。
이예제에서는고차원데이터를분류하기위해특징을선택하는방법을보여줍니다。
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
使用优化肝素
名称值对在拟合功能中。
可视化地监控贝叶斯优化。
监控贝叶斯优化。
了解贝叶斯优化的底层算法。
贝叶斯优化是如何并行工作的。