自动化机器学习与MATLAB (AutoML)
得到AutoML的概述,以及它如何简化了机器学习工作流程。学习如何构建优化预测模型的三个步骤:
- 应用小波散射从信号或图像数据获取功能无需信号处理技术。
- 使用自动特征选择识别的一小部分功能,这有助于防止过度拟合,减少模型的尺寸,提高训练速度。
- 选择自动模型选择提供一个优化模型在一个步骤内置hyperparameter优化。
视频演示了如何应用AutoML建立一个分类器的人类活动和使用移动设备的传感器数据作为输入。
AutoML在MATLAB提供优化模型在三个步骤。首先,您将原始传感器数据转换为机器学习需求作为输入使用波长散射特性。接下来,自动特征选择可以减少大型特性集,从而最终模型的大小。最后,自动模型选择挑选最适合你的模型并优化其hyperparameters相同的步骤。您可以应用这些步骤没有机器学习专业知识。然而,这个视频使用一些技术术语来解释在幕后发生了什么。
我们将演示autoML构建一个模型来分类活动,如站立或坐着,使用加速度计元数据从一个移动电话。剩下的视频autoML在MATLAB的台阶。首先,从信号或图像数据获取相关特性,您可以使用预定义的小波信号分解与波长和扩展过滤器特性矩阵函数,应用小波散射信号的缓冲。
接下来,我们可以继续训练模型我们获得超过400的特性,但这可能会导致一个大模型并不适合嵌入式设备上。所以auoML第二步,我们应用特征选择减少的数量特征。这个表可以帮助你选择合适的方法基于数据的特点。
这里我们应用最小冗余最大相关性算法,可以很好对连续和分类特征分类。功能排名图表表明,只有十几个功能捕捉绝大多数变化的信号。
选择一个小的性能的特性后,我们可以继续第三步——识别表现最好的模型。对分类和适合使用fitcauto吗?R ?]汽车回归。我们训练只打前面步骤中我们选择特性。算法评估的许多组合模型和hyperparameters寻求减少错误。在实践中,这可能需要数百个迭代完全收敛。尽管中等大小的数据,我们看到好的结果在更少的时间,大约100个迭代。你可以使用多核并行化,加快执行在您的本地计算机上,或使用云实例。
应用autoML这个数据集,得到了测试数据模型准确率达到了96.6%。总之,autoML获得了高度精确的模型在几个步骤,有效地允许工程师构建模型本身,而无需依赖于数据的科学家。如果你是机器学习中知识渊博,autoML节省你时间在常规步骤,让你专注于先进的优化技术如堆积模型和工程更好的特性。欲了解更多信息,请访问我们的autoML发现页面或下面的链接。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。