Bernhard Suhm, MathWorks
获取AutoML的概述,以及它如何简化机器学习工作流。学习如何通过三步建立优化的预测模型:
该视频演示了如何应用AutoML来构建人类活动的分类器,并使用来自移动设备的传感器数据作为输入。
Matlab中的Automl仅在三个步骤中提供优化的型号。首先,将原始传感器数据转换为使用波长散射的输入的功能机器学习需求。接下来,自动功能选择允许您减少大功能集并因此减少终极模型大小。最后,自动模型选择为您选择了最佳型号,并在同一步骤中优化其超参数。您可以在没有机器学习专业知识的情况下应用这些步骤。但是,此视频使用一些技术术语来解释幕后发生的事情。
我们演示了autoML使用来自移动电话的加速计元数据构建一个模型来分类活动,比如站立或坐着。视频的其余部分将带你了解MATLAB中的autoML步骤。首先,为了从信号或图像数据中获得相关的特征,您可以使用预定义的小波和矩阵函数的尺度滤波器对信号进行波长分解,将小波散射应用于信号的缓冲区。
接下来,我们可以继续在我们获得的400多个功能上培训模型,但这可能导致一个不适合嵌入式设备的大型模型。因此,AUOML中的第二步,我们应用功能选择以减少功能的数量。此处的表可帮助您根据数据的特征选择适当的方法。
在这里,我们应用了最小冗余最大相关算法,它对分类的连续和分类特征进行了很好的工作。该特征排名图表表明,随着十几种功能捕获信号中的大部分变异性。
在选择小型性能集合后,我们可以进入第三步 - 识别最佳执行模型。使用fitcauto进行分类和适合[?R?]自动回归。我们坐在上一步中选择的十几个功能。该算法评估模型和Quand参数的许多组合,寻求最小化错误。在实践中,这可能需要数百个迭代以完全收敛。虽然对于中等大小的数据,但我们在大约100次迭代时看到了更少的时间。您可以在本地计算机上使用并行化在本地计算机上使用并行化(或使用云实例)加快执行。
将autoML应用于该数据集,我们得到了一个对保留测试数据具有96.6%准确性的模型。总之,autoML在几个步骤中就获得了一个高度精确的模型,有效地允许工程师自己构建模型,而无需依赖数据科学家。如果您精通机器学习,autoML可以节省您在常规步骤上的时间,使您能够专注于高级优化技术,如堆叠模型和设计更好的功能。欲了解更多信息,请访问我们的autoML发现页面或下面的链接。
特色产品
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。