在MATLAB^®命令窗口,加载电离层数据集,并创建一个包含数据的表。

负载电离层台= array2table (X);资源描述。Y= Y;

开放分类学习者。单击应用程序选项卡,然后单击右侧的箭头应用程序画廊部分打开应用程序。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,选择新会话>从工作区。

新会话从工作区对话框中,选择资源描述从数据集变量列表。应用程序选择和预测变量的响应。默认的响应变量Y。默认的验证选项是5倍交叉验证,防止过度拟合。

在测试部分,单击复选框留出一组测试数据,指定使用15进口数据的百分比作为测试集。

接受的选项并继续,请单击开始会议。

培训所有预设的支持向量机模型。在分类学习者选项卡,模型部分,单击箭头打开画廊。在金宝app支持向量机组中,单击所有支持向量机。在火车部分中,点击火车都并选择火车都。应用列车每个支持向量机模型的一个类型,以及默认好树模型,并显示的模型模型窗格。

应用程序显示一个确认混淆矩阵第一SVM模型(模型2.1)。蓝色值指示正确分类,红色值显示不正确的分类。的模型左边的面板显示了每个模型的验证的准确性。

选择一个optimizable训练支持向量机模型。在分类学习者选项卡,模型部分,单击箭头打开画廊。在金宝app支持向量机组中,单击Optimizable支持向量机。

hyperparameters优化选择模型。在总结选项卡,您可以选择优化复选框的hyperparameters你想优化。默认情况下,所有的复选框选择hyperparameters可用。对于这个示例,清除优化复选框的核函数和标准化数据。默认情况下,应用程序禁用优化复选框的内核规模当内核以外的函数有一个固定值高斯。选择一个高斯核函数和选择优化复选框的内核规模。

火车optimizable模型。在火车部分的分类学习者选项卡上,单击火车都并选择选择火车。

这个应用程序显示一个最小分类误差图它运行的优化过程。在每个迭代中,应用程序尝试hyperparameter值的不同组合和更新的情节到迭代中观察到的最小验证分类错误,表示在深蓝色的。当应用程序完成了优化过程,它选择的集合优化hyperparameters,红场表示。有关更多信息,请参见最小分类误差图。

应用程序列出了优化hyperparameters在优化结果部分情节和右边的Optimizable SVM模型Hyperparameters模型的部分总结选项卡。

比较预设训练SVM模型训练optimizable模型。在模型窗格中,应用了最高准确性(验证)阐述了它在一个盒子里。在这个例子中,训练optimizable SVM模型优于六预设模式。

训练有素的optimizable模型并不总是比训练有素的预设模型具有更高的精度。如果不执行训练optimizable模型好,你可以得到更好的结果通过运行更长时间的优化。在分类学习者选项卡,选项部分中,点击优化器。在对话框中,增加迭代价值。例如,您可以双击的默认值30.和输入一个值60。然后单击保存和应用。创建选项将被应用到未来optimizable模型使用模型画廊。

因为hyperparameter调优通常会导致overfitted模型,检查的性能optimizable SVM模型在测试集和比较最好的预设SVM模型的性能。使用数据时留给测试数据导入到应用程序。

首先,在模型窗格中,单击旁边的星星图标介质高斯支持向量机模型和Optimizable支持向量机模型。

对于每一个模型,选择模型模型窗格。在测试部分的分类学习者选项卡上,单击测试所有然后选择测试选择。应用计算测试集的性能模型训练其余的数据,即训练和验证数据。

模型基于测试集的精度。在模型窗格中,打开排序列表并选择准确性(测试)。

在这个例子中,训练optimizable模型仍然优于训练预设模型在测试集的数据。然而,无论是模型测试精度高达其验证精度。

视觉模型的测试集的性能进行比较。每个主演的模型,选择模型模型窗格。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(测试)在测试结果组。

重新排列的布局图,以更好地进行比较。首先,关闭情节和总结所有模型除了标签2.5模型和模型3。然后,在情节和解释部分,单击布局按钮并选择比较模型。点击隐藏情节选项按钮在右上角的情节,使更多的空间情节。

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)。