机器学习是什么
这篇文章来自机器学习和数据科学产品营销经理Laura Martinez Molera,在这里讨论机器学习的最新特性。
我们刚刚推出了2n发布年份,R2020b。我知道跟上这么多新功能并不容易,所以我想强调一下机器学习和数据科学最重要的更新。如果您想了解关于它们和其他新特性的更多细节,请查看最新功能页面.
在20B中提供的另一种流行的解释性方法是石灰,本地可解释模型 - 不可知的解释。石灰允许您通过近似兴趣区域内的复杂模型分析兴趣点附近的模型行为,并将简单的模型的参数作为模型行为的解释。
如果您想了解更多关于这个特性的信息,请查看这个视频这发现页面有所有细节。
AutoML
Automl或自动化机器学习,是Matlab用户的一个很棒的功能。此功能适用于ML(或具有较少机器学习体验)的初学者,以自动化工作流程的某些步骤,在更短的时间内获得更高的准确性。它还使得经验丰富的AI开发人员通过自动化常规和耗时的步骤来更高效率,使它们能够专注于手动进一步优化模型。Automl在机器学习工作流程中适用以下步骤:- 数据探索和预处理通过识别具有低预测功率和应消除的高相关变量的变量。
- 特征提取与选择通过从信号和图像中自动提取特征,识别出具有较高预测能力的特征。
- 模型选择和调整通过识别最佳性能模型并同时自动调优模型超参数。
- 部署准备通过将高级机器学习码转换为C / C ++等较低级别语言,以便在具有有限的内存和低功耗的嵌入式设备上进行部署。
模型解释性
我要介绍的第二个特性是模型可解释性。这一功能旨在减轻机器学习模型的“黑盒子”性质,因为它对知识和决策的表示并不总是直观的。可解释性引入了在黑盒方法不可行的领域采用它的选择,包括安全和风险管理、财务和医疗应用。许多可解释性方法分析变量影响模型预测。例如,部分依赖图显示一个特定变量对模型得分的边际贡献。如果响应发生显著变化,则表明该变量很重要,从而“解释”了模型的一个方面。如果这些重要的变量与人类专家的期望一致,我们可以说我们“理解”了这个模型,增加了对其预测的信任。部分依赖图(PDP)已经在MATLAB中用于回归,并与20b可用于分类以及。金宝app
我想强调的最后一个特性是新的Simulink机器学习模块库。金宝app在这个版本中我们将支持SVM(支持向量机)分类和金宝app回归。通过Sim金宝appulink,您可以将您的模型与一个更大的系统集成,该系统可能包括控制、动态模型、传感器融合和计算机视觉等组件。金宝appSimu金宝applink支持基于模型的复杂多组件系统设计,包括在硬件上仿真系统级性能,并通过嵌入式代码生成方便部署到硬件。下面的S金宝appimulink模型表示使用用于SVM分类的Simulink块的人类活动分类器的实现。该模型从移动设备的加速度计获取信号,指定模块对信号进行校准和规范化,提取特征,通过分类算法将其输入,最后将人类活动作为输出显示:跑步、站立、行走、躺下等。您可以检查完整的示例这里. 如果您想了解更多关于这些功能的信息,您可以注册下一个研讨会来看看新的例子,并在未来的现场问答中提问。 感谢Laura更新我们的机器学习的重要新功能。有一个问题或评论劳拉?留下以下评论。
|
- 类别:
- 深度学习
注释
请点击留下评论这里登录到你的MathWorks帐户或创建一个新的。