Bernhard Suhm, MathWorks
分类学习者允许您执行常见的监督学习任务,例如交互式探索您的数据,选择功能,指定验证方案,培训模型和评估结果。
您可以将分类模型导出到MATLAB®工作空间,或生成MATLAB代码集成模型到应用程序。
分类学习者是统计和机器学习工具盒中的一个新应用程序,您可以允许您使用监督机器学习对数据进行分类以对数据进行分类。分类学习者允许您执行常用机器学习任务,例如导入数据,指定验证方案,交互式探索您的数据,选择功能,培训模型和评估模型性能。您可以从多种分类类型中选择,包括决策树,支持向量机,最近的邻居和集合方法,包括备份,提升和随机子空间方法。金宝app您还可以将分类模型导出到MATLAB工作区,以生成新数据的预测,或者生成MATLAB代码将列车模型集成到计算机视觉,信号处理或数据分析等应用程序中。
您可以通过在MATLAB命令行上键入分类学习者来启动分类学习者,所有这些都通过单击应用程序库中的“分类学习者”应用程序。分类学习者允许您从矩阵或表导入数据。该应用程序可以根据数据类型自动识别您的预测器和响应变量。下一步是选择用于检查拟合模型的预测精度的验证方案。选择k折交叉验证,持有或重新提交。
成对的散点图可以让您探索重要的预测因子、异常值和可视化模式或趋势的数据。在解决分类问题时,没有一种方法是万能的。不同的分类器适用于不同类型的问题和数据集。分类器图库提供的选项是伟大的起点,适合一系列不同的分类问题。如果您不确定要选择哪一个,弹出工具提示会给您每个分类器的简要描述。
培训一个新的模型很容易。首先,只需在库中选择一个分类器预设。接下来,点击火车。当前模型窗格显示有关模型的有用信息,例如模拟机类型,预设,所选功能和模型的状态,如果培训,未培训或培训。培训模型后,请检查历史记录列表以查看验证集上的分类器的准确性。
分类学习者可以让你非常快速地训练多个模型。对于每个训练过的模型,您可以通过检查散点图、混淆矩阵和工具条plot部分可用的ROC曲线的结果来比较模型性能。在散点图上,交叉辛迪加分错了点。混淆矩阵让您评估当前选择的分类器在每个类中的表现。主对角混淆矩阵表示一个好的分类器,因为所有的预测器标签都与实际标签匹配。对角线上的数字表示错误分类的点。
ROC或接收者工作特征曲线,显示了分类器输出的不同阈值的真阳性率和假阳性率。没有错误分类点的完美结果是在图的左上角有一个直角。曲线下的面积是衡量分级机整体质量的指标。根据您的模型评估,如果您决定一个模型可以进一步改进,您可以尝试删除低预测能力的特性,或者使用高级选项来更改分类器设置。
在分类学习者交互式地创建分类模型后,您可以导出最佳执行模型,由绿色框显示。单击导出,模型应显示在MATLAB工作区中。您可以使用此培训的模型来对新数据进行预测。您还可以为您的最佳模型生成MATLAB代码,以培训新数据上的分类器,或将代码集成到其他计算机学习应用程序中。
当使用分类学习器时,帮助总是只需点击一下即可。简单地导航到使用右上角的帮助按钮的文档,以找到所有你需要关于分类学习者的信息。例如,这里的表格向您展示了根据您想要做出的精度、速度和内存权衡来选择正确分类器的指导。
要获取有关分类学习者的其他信息,以及查看和下载示例数据集,请访问“分类学习者”页面。您可以通过单击应用程序访问页面,然后从统计信息和机器学习工具框中的分类学习者。这一总结了对分类学习者的视频介绍。谢谢你的观看。
您也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。