当建立一个高质量,预测分类模型,它选择正确的特征(或预测)和调整超参数(模型参数未估计)是很重要的。
到一个特定的模型的调超参数中,选择超参数值和交叉验证使用那些值模型。例如,用于调谐SVM模型,选择一组的箱约束和内核鳞,然后交叉验证的每对的值的模型。某些统计和机器学习工具箱™分类功能通过贝叶斯优化,网格搜索,或随机搜索提供自动超参数调整。然而,主要功能用于实现贝叶斯优化,bayesopt
,足够灵活,可用于其他应用程序。看到贝叶斯优化工作流程。
特征选择和超参数调整可以产生多个模型。你可以比较ķ-重叠误分类率、接收机工作特性(ROC)曲线或模型之间的混淆矩阵。或者,进行统计测试,检测一个分类模型是否显著优于另一个分类模型。
要自动选择与调整超参数,使用模型fitcauto
。该函数试图选择与不同的超参数值分类模型类型和返回,预计将在新数据表现良好的最终模型。用fitcauto
当你不确定哪个分类类型最适合您的数据。
要构建和交互评估分类模型,使用分类学习者应用程序。
分类学习者 | 训练模型来分类数据使用监督机器学习 |
培训、比较和改进分类模型的工作流程,包括自动化、手工和并行培训。
比较模型精度得分,通过绘制类预测可视化结果,并在混乱矩阵中检查每个类的性能。
使用地块识别有用的预测,手动选择功能,包括和变换分类学习者使用PCA功能。
了解特征选择算法和探索可供特征选择的功能。
本主题引入了顺序特征选择和提供了选择功能依次使用自定义标准和示例sequentialfs
功能。
邻域成分分析(NCA)是一种非参数的特征选择方法,其目标是最大化回归和分类算法的预测精度。
这个例子显示了如何调整在调整参数fscnca
使用交叉验证。
在不损害模型的预测能力去除预测做一个更强大和更简单的模型。
这个例子说明了如何选择分级高维数据的功能。
使用拟合函数或通过调用来执行贝叶斯优化bayesopt
直接。
创建贝叶斯优化变量。
建立贝叶斯优化的目标函数。
设置不同类型的贝叶斯优化约束的。
尽量减少使用贝叶斯优化交叉验证的损失。
将交叉验证的损失最小化OptimizeParameters
名称 - 值对在拟合函数。
直观地监控贝叶斯优化。
监控贝叶斯优化。
了解贝叶斯优化的底层算法。
贝叶斯优化是如何并行工作的。