在培训和验证分类模型的各种算法中选择二进制或多款问题。在培训多个模型后,并排比较他们的验证错误,然后选择最佳模型。要帮助您确定要使用哪项算法,请参阅在分类学习者应用中列车分类模型.
此流程图显示了培训分类模型或分类器中的常见工作流程,包括分类学习者应用程序。
分类学习者 | 火车模型以使用监督机器学习对数据进行分类 |
用于培训,比较和改进分类模型的工作流程,包括自动化,手动和并行培训。
将数据从工作区或文件导入分类学习者,查找示例数据集,然后选择交叉验证或保留验证选项。
在Classification Learner中,自动训练一组模型,或在决策树、判别分析、逻辑回归、朴素贝叶斯、支持向量机、最近邻、集成和神经网络模型中比较和调整选项。金宝app
比较模型的准确性得分,通过绘制类预测来可视化结果,并在混淆矩阵中检查每个类的性能。
经过Classification Learner的训练,将模型导出到工作空间,生成MATLAB®代码,或生成C代码进行预测。
创建和比较分类树,并导出培训的模型来对新数据进行预测。
创建和比较判别分析分类器,并导出训练好的模型来对新数据进行预测。
创建并比较逻辑回归分类器,并导出经过训练的模型来对新数据进行预测。
创建和比较Naive Bayes Classifiers,并导出训练有素的模型来对新数据进行预测。
创建并比较支持向量机(SVM)分类器,金宝app并输出训练好的模型来对新数据进行预测。
创建和比较最近邻分类器,并导出训练过的模型来对新数据进行预测。
创建和比较集成分类器,并导出训练好的模型来对新数据进行预测。
创建并比较神经网络分类器,并输出训练好的模型来对新数据进行预测。
识别有用的预测器使用图,手动选择特征包括,并转换特征使用PCA在分类学习者。
在训练任何分类模型之前,指定将一类观察结果误分类到另一类的代价。
指定错分类代价后创建分类器,比较模型的准确率和总错分类代价。
通过使用HyperParameter优化自动调整分类模型的超级参数。
使用优化的超参数列车分类支持向量机(SVM)模金宝app型。
将测试设置为分类学习者,并检查测试集指标,以获得最佳性能的培训型号。
在Classification Learner App中导出图
导出和定制训练前后创建的地块。
使用分类学习者应用程序列车分类模型,并为预测生成C / C ++代码。
这个例子展示了如何使用Classification Learner训练逻辑回归模型,然后使用导出的分类模型生成预测标签的C代码。