在分类学习者应用程序中训练分类模型
您可以使用分类学习器来训练这些分类器的模型:决策树、判别分析、支持向量机、逻辑回归、最近邻、朴素贝叶斯、核近似、集成和神经网络。金宝app除了训练模型，您还可以探索数据、选择特性、指定验证方案和评估结果。您可以将模型导出到工作区，以使用带有新数据的模型或生成MATLAB®代码以了解程序分类。
分类学习者模型的训练包括两部分:
验证模型:使用验证方案训练模型。默认情况下，应用程序通过应用交叉验证来防止过拟合。或者，您可以选择拒绝验证。经过验证的模型在应用程序中可见。
完整模型:在不进行验证的情况下对模型进行完整数据训练。该应用程序同时训练这个模型和已验证的模型。然而，在应用程序中看不到完整数据训练的模型。当你选择一个分类器来导出到工作空间时，Classification Learner会导出完整的模型。
该应用程序显示验证模型的结果。诊断措施，如模型准确性，和图，如散点图或混淆矩阵图，反映验证的模型结果。您可以自动训练一个或多个分类器，比较验证结果，并选择适合您的分类问题的最佳模型。当您选择要导出到工作区中的模型时，Classification Learner会导出完整的模型。因为Classification Learner在训练期间创建了完整模型的模型对象，所以在导出模型时不会有延迟时间。您可以使用导出的模型对新数据进行预测。
要开始训练模型类型的选择，请参见自动分类器训练．如果你已经知道你想要训练的分类器类型，请看手工分类器训练．
自动分类器训练
你可以使用分类学习器在你的数据上自动训练不同的分类模型。
开始自动训练多个模型一次。您可以快速地尝试选择一些模型，然后交互地探索有希望的模型。
如果您已经知道您想要的分类器类型，那么就训练单独的分类器。看到手工分类器训练．
在应用程序选项卡,机器学习和深度学习组中,单击分类学习者．
点击新会话并从工作区或文件中选择数据。指定响应变量和用作预测器的变量。看到选择分类问题的数据和验证．
在分类学习者选项卡,模型类型部分中,点击所有Quick-To-Train．这个选项训练所有的模型预置为您的数据集是快速适合。
点击火车．
请注意
如果您有Parallel Computing Toolbox™，您可以并行地训练模型。看到并行分类器训练．
中显示了模型类型的选择模型窗格。当模特们完成训练，最好的百分比准确性(验证)分数在方框中高亮显示。
单击模型窗格并打开相应的图以查看结果。
要尝试您的数据集可用的所有不可优化的分类器模型预置，请单击所有,然后单击火车．
手工分类器训练
如果您想研究单个模型类型，或者如果您已经知道您想要的分类器类型，您可以一次训练一个分类器，或者训练一组相同类型的分类器。
选择一个分类器。在分类学习者选项卡,模型类型节中，单击分类器类型。要查看所有可用的分类器选项，单击最右边的箭头模型类型节以展开分类器列表。中不可优化的模型选项模型类型图库的预设起点有不同的设置，适合各种不同的分类问题。
要读取每个分类器的描述，请切换到详细视图。
有关每个选项的更多信息，请参见选择分类器选项．
选择分类器后，单击火车．
重复尝试不同的分类器。
提示
首先尝试决策树和判别器。如果模型在预测响应方面不够准确，可以尝试其他具有更高灵活性的分类器。为了避免过度拟合，要寻找灵活性较低但提供足够精度的模型。
如果您想尝试所有相同或不同类型的不可优化模型，那么选择所有选项的模型类型画廊。
另外，如果您想自动调优特定模型类型的超参数，请选择相应的Optimizable建立超参数优化模型。有关更多信息，请参见分类学习者应用程序中的超参数优化．
有关下一步，请参见比较和改进分类模型
并行分类器训练
如果你有并行计算工具箱，你可以使用分类学习器并行训练模型。并行训练允许您同时训练多个分类器并继续工作。
要控制并行训练，切换使用并行按钮上的应用程序工具条。的使用并行按钮只有在您拥有并行计算工具箱时才可用。
第一次点击火车后单击使用并行按钮，当应用程序打开一个并行的工作人员池时，会显示一个对话框。在池打开后，您可以一次训练多个分类器。
在并行训练分类器时，进度指示器出现在每个训练和队列模型中模型窗格。如果你愿意，你可以取消个别型号。在培训期间，您可以检查来自模型的结果和图，并开始培训更多的分类器。
如果你有并行计算工具箱，那么在分类学习器中可以使用并行训练，你不需要设置UseParallel选择的statset函数。
请注意
不能并行执行超参数优化。应用程序禁用使用并行按钮时，您选择一个可优化的模型。如果您随后选择了一个不可优化的模型，则默认关闭该按钮。
比较和改进分类模型
检查准确性(验证)报告的分数模型窗格的每个模型。单击模型窗格并打开相应的图以查看结果。通过检查图中的结果来比较模型性能。可以重新安排图的布局，以便在多个模型之间比较结果:使用布局按钮、拖放绘图或选择Document Actions箭头提供的选项
位于模型绘图选项卡的右侧。此外，您可以使用排序选项的模型窗格。删除任何不需要的模型，方法是选择模型并单击删除选定的模型按钮，或者右键单击模型并选择删除模型．
选择最好的模型在模型窗格，然后尝试在模型中包括和排除不同的功能。点击特征选择．
尝试使用平行坐标图来帮助您识别要删除的特性。看看是否可以通过删除预测能力低的特征来改进模型。指定模型中包含的预测器，并使用新选项培训新模型。比较了模型之间的结果模型窗格。
您还可以尝试使用PCA转换特性以降低维数。
要进一步改进模型，您可以尝试在Advanced对话框中更改分类器参数设置，然后使用新选项进行训练。要学习如何控制模型的灵活性，请参阅选择分类器选项．有关如何自动调优模型参数设置的信息，请参见分类学习者应用程序中的超参数优化．
如果特征选择、主成分分析或新的参数设置可以改进您的模型，请尝试训练所有模型类型的新设置。看看另一种模型类型是否在新的设置下表现更好。
提示
为了避免过度拟合，要寻找灵活性较低但提供足够精度的模型。例如，寻找简单的模型，如决策树和判别器，它们快速且易于解释。如果模型不能足够准确地预测响应，可以选择具有更高灵活性的其他分类器，如集成器。要了解模型的灵活性，请参见选择分类器选项．
这张图显示了带有模型包含各种分类器类型的窗格。
有关比较不同分类器的逐步示例，请参见使用分类学习程序训练决策树．
对于下一步，生成代码以使用不同的数据训练模型，或者将训练过的模型导出到工作区，以使用新数据进行预测。看到导出分类模型来预测新数据．
相关的话题
你也可以从以下列表中选择一个网站:
