伯恩哈德Suhm,MathWorks公司
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,或生成MATLAB代码模型集成到应用程序。
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。
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,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,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。
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
您还可以选择从下面的列表中的网站:
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。
本网站使用Cookies来改善您的用户体验,个性化的内容和广告,并分析网站流量。通过继续使用本网站,您同意我们使用Cookie。请参阅我们的隐私政策要了解更多关于cookie和如何更改设置。