这个例子展示了如何在分类学习者应用程序中构造判别分析分类器,使用fisheriris
数据集。在分类学习者中,你可以对两个或两个以上的类使用判别分析。
在MATLAB®,加载fisheriris
数据集。
fishertable = readtable (“fisheriris.csv”);
在应用程序选项卡,机器学习和深度学习组中,单击分类学习者.
在分类学习者选项卡,文件部分中,点击从工作区中新建会话>.
在“New Session from Workspace”对话框中,选择该表fishertable
从数据集变量列表(如果有必要)。注意,应用程序根据数据类型选择了响应和预测变量。花瓣和萼片的长度和宽度是预测因素,而物种是你想要分类的反应。对于本例,不要更改选择。
点击开始会议.
分类学习者创建数据的散点图。
使用散点图来可视化哪些变量对预测响应有用。在X轴和y轴控件中选择不同的变量。观察哪些变量将类区分得最清楚。
训练两个非优化判别分析分类器,对分类学习者选项卡,模型类型部分中,单击向下箭头展开分类器列表,并在下面判别分析,点击所有的判别.
然后单击火车.
提示
如果你有并行计算工具箱™,你可以训练所有的模型(所有的判别)同时选择使用并行按钮培训节之前点击火车.你点击后火车,打开并行池对话框将打开,并且在应用程序打开并行池时保持打开状态。在此期间,您不能与软件交互。泳池打开后,应用程序会同时训练模型。
分类学习者训练每个分类选项中的一个,线性和二次判别器,并突出最好的分数。应用程序在一个方框中勾勒出准确性(验证)得分最好的模型(或模型)。分类学习者也显示第一个鉴别模型的验证混淆矩阵(线性判别).
请注意
验证在结果中引入了一些随机性。您的模型验证结果可能与本例中显示的结果不同。
要查看模型的结果,请在模型窗格,并检查当前模型的总结窗格。的当前模型的总结窗格中显示培训结果度量,在验证集上计算。
选择第二个判别模型(二次判别)模型窗格,并检查每个类的预测的准确性。在分类学习者选项卡,情节节中,单击箭头打开图库,然后单击混淆矩阵(验证)在验证结果组。查看真实类和预测类结果的矩阵。
比较两种模型的结果。
有关不同模型类型的优势的信息,请参见判别分析.
选择最好的模型模型窗格(最佳分数在一个方框中高亮显示)。为了改进模型,尝试在模型中加入不同的功能。看看是否可以通过移除预测能力较低的特性来改进模型。
在分类学习者选项卡,特性部分中,点击特征选择.在Feature Selection对话框中,指定要从模型中移除的预测器,然后单击好吧.在培训部分中,点击火车用新的选项训练一个新的模型。的分类器之间的结果比较模型窗格。
要研究包含或排除的特征,可以使用平行坐标图。在分类学习者选项卡,情节部分,单击箭头打开图库,然后单击平行坐标在验证结果组。
选择最好的模型模型窗格。为了进一步改进模型,请尝试更改分类器设置。在分类学习者选项卡,模型类型部分中,点击先进的.在对话框中,尝试更改设置并单击好吧.然后通过点击训练新模型火车在培训部分。有关设置的信息,请参见判别分析.
您可以将训练过的模型的完整或精简版本导出到工作区。在分类学习者选项卡,出口部分中,点击出口模式和选择出口模式或出口紧凑的模型.看到导出分类模型来预测新数据.
要检查训练该分类器的代码,请单击生成函数.
使用相同的工作流来评估和比较在分类学习器中可以训练的其他分类器类型。
尝试所有不可优化的分类器模型预置您的数据集:
单击最右边的箭头模型类型部分展开分类器列表。
点击所有,然后单击火车.
要了解其他分类器类型,请参见在分类学习者应用程序中训练分类模型.