沙善人员Prasanna,MathWorks公司
分类学习者可以执行共同监督学习的任务,如交互式探索您的数据,选择功能,指定验证方案,培训模式,并评估结果。
您可以分类模型导出到MATLAB®或生成MATLAB代码将模型集成到应用程序中。
分类学习者在统计和机器学习工具盒,可以让你训练模型使用监督的机器学习分类数据的新应用程序。分类学习,您可以执行常见的机器学习任务,如导入数据,指定验证方案,交互式探索您的数据,选择功能,培训模式,并评估模型性能。您可以从多个分类类型,包括决策树,支持向量机,最近的邻居,以及包括支持,提振了集成方法和随机子空间方法中进行选择。金宝app您还可以出口分类模型到MATLAB工作区,以生成新的数据预测,或生成MATLAB代码,以火车模型集成到应用程序,如计算机视觉,信号处理或数据分析。
您可以通过键入分类学习MATLAB命令行上启动分类学习,所有通过点击该应用程式库分类学习应用。分类学习可以让你从矩阵或表格中导入数据。该应用程序可以根据您的数据类型自动识别您的预测和响应变量。下一步是选择用于检查拟合模型的预测准确度的验证方案。选择从k-折交叉验证,支持,或resubstitution。
成对的散点允许您探索重要的预测因子、离群值和可视化模式或趋势的数据。在解决分类问题时,没有一种放之四海而皆准的方法。不同的分类器最适合于不同类型的问题和数据集。分类器库中提供的选项是很好的起点,适用于各种不同的分类问题。如果您不确定要选择哪一个,那么弹出工具提示会给出每个分类器的简要描述。
培训的新模式是很容易。首先,简单地选择在画廊分类预置中的一个。接下来,点击列车。目前的模式窗格显示有关模型的有用信息,如分类型,预置位,选定的功能和状态的模型,如果是经过培训,未经培训或培训。一旦模型进行训练,检查历史列表上看到验证集分类的准确性。
分类学习可以让你很快地训练多个模型。对于每一个训练模型,你可以通过在散点图工具条中的情节部分提供检查结果,混淆矩阵,以及ROC曲线比较模型的性能。散点图上,交银团误判点。混淆矩阵可让您评估当前选择的分类中的每个类是如何进行的。显性对角线混淆矩阵显示了良好的分类,因为所有的预测标签与实际的标签。关对角线数指明误判点。
ROC或Receiver操作特性曲线,显示分类器输出不同阈值的真阳性率与假阳性率。没有分类错误的点的完美结果是在图的左上角有一个直角。曲线下的面积是衡量分类器整体质量的一个指标。根据您的模型评估,如果您决定要进一步改进模型,您可以尝试删除预测能力较低的特性,或者使用高级选项来更改分类器设置。
你在学习分类创建分类模型交互后,您可以导出你最好的表演模式,通过绿色框中显示。单击导出,模型应该出现在你的MATLAB的工作空间。您可以使用该训练模型,使新数据的预测。您还可以生成用于训练新数据的分类,或代码集成到其他机器学习应用的最佳模型的MATLAB代码。
当与分类学习者一起工作时,帮助总是只需要点击一下鼠标。只需使用右上方的帮助按钮导航到文档,找到您需要的关于分类学习器的所有信息。例如,这里的表向您展示了如何根据您想要进行的精度、速度和内存权衡选择正确的分类器。
要获取有关分类学习者的更多信息,以及查看并下载示例数据集的信息,请访问分类页面学习者。您可以通过点击应用程序从统计和机器学习工具盒产品页面访问该页面,然后分类学习者。这结束了视频介绍分类学习者。感谢您的收看。
你也可以从以下列表中选择一个网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。