在MATLAB^®命令窗口,加载humanactivity数据集,创建一个表中的变量数据集用于分类。数据集包含了24075 5观察物理人类活动:坐、站立、行走、跑步、和跳舞。每个观察60特性提取加速度数据衡量智能手机加速计传感器。

负载humanactivity台= array2table(成绩);Tbl.Properties。VariableNames = featlabels ';活动=分类(1:5,actid actnames);资源描述。活动=活动;

或者,您可以加载humanactivity数据集,创建分类活动响应变量,和保持的壮举和活动数据作为独立的变量。

单击应用程序选项卡,然后单击显示更多右边的箭头打开应用画廊。在机器学习和深度的学习组中,单击分类学习者。

在分类学习者选项卡,文件部分中,点击新会话并选择从工作空间。

新会话从工作区对话框中,选择表资源描述从数据集变量列表。注意,应用程序选择根据他们的反应和预测变量的数据类型。特别是,应用选择活动作为响应变量,因为它是唯一的类别变量。对于这个示例,不改变选择。

或者,如果你一直预测数据的壮举和响应变量活动作为两个独立的变量,您可以首先选择矩阵的壮举从数据集变量列表。然后,在响应,单击从工作空间选项按钮并选择活动从列表中。

接受默认的验证方案和继续,点击开始会议。默认的验证选项是5倍交叉验证,防止过度拟合。

数据的分类学习者创建了一个散点图。

使用散点图调查哪些变量是有用的预测响应。选择不同的选项X和Y列表下预测可视化的分配活动和测量。注意变量单独活动(颜色)最清楚。

创建一个内核近似模型的选择。在分类学习者选项卡,模型部分,单击箭头打开画廊。在内核近似分类器组中,单击所有的内核。

在火车部分中,点击火车都并选择火车都。

分类学习者火车每个内核近似选项之一画廊,以及默认好树模型。在模型窗格中,应用了准确性(验证)成绩最好的模型。分类学习者也会显示验证混淆矩阵第一内核模型(支持向量机内核)。

为一个模型查看结果,双击模型模型面板,检查模型总结选项卡。的总结选项卡显示了培训结果指标,计算验证集。

选择第二个内核模型(逻辑回归的内核)模型面板,检查的准确性预测在每个类使用验证混淆矩阵。在分类学习者选项卡,情节和解释部分,单击箭头打开画廊,然后单击混淆矩阵(验证)在验证结果组。视图矩阵的类和类预测结果。

比较两个内核的混淆矩阵模型并排。首先,关闭情节和汇总制表符模型1。在分类学习者选项卡,情节和解释部分,单击布局按钮并选择比较模型。在每个情节的右上角,点击隐藏情节选项按钮让更多的情节。

回到最初的布局,你可以点击布局按钮并选择单一模式(默认)。

选择最好的内核模式模型窗格(最好的总分中突出显示准确性(验证)盒)。看你是否能提高预测能力较低的模型通过删除功能。

首先,最好复制内核模式。在分类学习者选项卡,模型部分中,点击重复的。

调查特性包括或排除使用这些方法之一。

火车模型。在分类学习者选项卡,火车部分中,点击火车都并选择选择火车火车模型使用新的选项。比较结果的分类器模型窗格。

选择最好的内核模式模型窗格。为了进一步完善模型,改变其hyperparameters。首先,通过点击复制模型重复的在模型部分。然后,试着改变一些hyperparameter设置在模型中总结选项卡。训练新模式通过点击火车都并选择选择火车在火车部分。

了解更多关于内核模式设置,明白了内核近似分类器。

您可以导出一个紧凑的工作区版本的训练模型。在分类学习者选项卡上,单击出口,点击出口模式并选择出口模式。在出口分类模型对话框,复选框包括训练数据是禁用的,因为内核近似模型不存储训练数据。在对话框中,单击好吧接受默认的变量名。

检查代码训练分类器,点击生成函数在出口部分。因为数据集用来训练分类器有超过两个类,生成的代码使用fitcecoc函数而不是fitckernel。

在分类学习者选项卡,模型部分,单击箭头打开画廊分类模型。

在开始组中,单击所有。

在火车部分中,点击火车都并选择火车都。