使用分类学习者应用程序训练合奏分类器
此示例显示了如何在分类学习者应用程序中构造分类器的合奏。合奏分类器将许多弱学习者融合为一个高质量的集合预测指标。素质取决于算法的选择,但是合奏分类器的适合度往往很慢,因为它们通常需要许多学习者。
在Matlab®,加载
渔业
数据集并定义来自数据集的一些变量,以用于分类。fishertable =可读取(“ fisheriris.csv”);
在应用标签,在机器学习和深度学习小组,单击分类学习者。
在分类学习者标签,在文件部分,单击新会话>来自工作区。
在工作区对话框的新会话中,选择表
可以鱼
来自数据集变量列表(如有必要)。观察该应用程序根据其数据类型选择了响应和预测变量。花瓣长度和宽度是预测指标。物种是您要分类的反应。对于此示例,请勿更改选择。点击开始会话。
分类学习者创建数据的散点图。
使用散点图研究哪些变量可用于预测响应。选择X轴和Y轴控制中的不同变量以可视化物种和测量的分布。观察哪些变量最清楚地将物种颜色分开。
训练选择合奏模型的选择分类学习者标签,在楷模部分,单击向下箭头以展开分类器列表,然后在下面合奏分类器, 点击所有合奏。然后,在火车部分,单击训练全部并选择训练全部。
笔记
如果您具有并行计算工具箱™,则该应用具有使用平行按钮默认打开。点击之后训练全部并选择训练全部或者选择火车,该应用程序打开了平行的工人池。在此期间,您无法与软件进行交互。池打开后,您可以在模型并行训练时继续与应用程序进行交互。
如果您没有并行计算工具箱,则该应用具有使用背景培训复选框训练全部默认选择菜单。单击训练型号后,该应用将打开一个背景池。池打开后,您可以在模型在后台训练时继续与应用程序进行交互。
分类学习者在画廊中训练每个集合分类选项之一,以及默认的细树模型。在里面楷模窗格,该应用在盒子里概述准确性(验证)最佳模型的得分。分类学习者还显示第一个集合模型的验证混淆矩阵(增强树)。
在楷模窗格查看结果。例如,选择子空间判别型号(模型2.3)。检查模型概括标签,显示培训结果指标,根据验证集计算。
检查训练有素的模型的散点图。在分类学习者标签,在情节部分,单击箭头打开画廊,然后单击分散在里面验证结果团体。错误分类点显示为X。
笔记
验证将一些随机性引入结果。您的模型验证结果可能与此示例中所示的结果有所不同。
检查每个班级预测的准确性。在分类学习者标签,在情节部分,单击箭头打开画廊,然后单击混淆矩阵(验证)在里面验证结果团体。查看真实类和预测类结果的矩阵。
对于每个剩余模型,选择楷模窗格,打开验证混淆矩阵,然后比较整个模型的结果。
选择最佳模型(最佳分数在准确性(验证)盒子)。为了改善模型,请尝试在模型中包含不同的功能。查看是否可以通过删除具有低预测能力的功能来改进模型。
首先复制最佳模型。在分类学习者标签,在楷模部分,单击复制。
要调查要包含或排除的功能,请使用并行坐标图。在分类学习者标签,在情节部分,单击箭头打开画廊,然后单击平行坐标在里面验证结果团体。保持预测指标,可以很好地分开类。
您可以指定在模型中培训期间要使用的预测指标概括标签。点击功能选择扩展该部分,并指定预测因子以从模型中删除。
另外,您可以使用功能排名算法来确定在模型培训期间要使用的功能。在分类学习者标签,在选项部分,单击功能选择。在里面默认功能选择选项卡,指定要使用的功能排名算法。指定要保持最高排名功能的功能数量。您可以使用条形图来帮助确定要使用多少个功能。
点击保存并申请保存您的更改。新功能选择应用于现有的草稿模型楷模窗格,将应用于您使用画廊中创建的新草稿模型楷模部分分类学习者标签。
训练模型。在分类学习者标签,在火车部分,单击训练全部并选择选择火车使用新选项训练模型。比较分类器中的结果楷模窗格。
选择最佳模型楷模窗格。为了进一步改善模型,请尝试更改其超参数。首先,使用复制按钮楷模部分。然后,尝试更改模型中的超参数设置概括标签。点击训练新模型训练全部和选择选择火车在里面火车部分。
有关设置的信息以及不同合奏模型类型的优势,请参见合奏分类器。
您可以将经过训练的模型的完整或紧凑版本导出到工作区。在分类学习者标签,在出口部分,单击导出模型然后选择导出模型或者导出紧凑型模型。看导出分类模型预测新数据。
要检查培训此分类器的代码,请单击生成功能。
使用相同的工作流程评估和比较您可以在分类学习者中训练的其他分类器类型。
尝试所有可用于数据集可用的不可选式分类器模型预设:
在分类学习者标签,在楷模部分,单击箭头以打开分类模型的画廊。
在里面开始小组,单击全部。然后,在火车部分,单击训练全部并选择训练全部。
要了解其他分类器类型,请参阅分类学习者应用中的火车分类模型。