Shashank Prasanna MathWorks
Classification Learner允许您执行常见的监督学习任务,如交互式地探索数据、选择特征、指定验证方案、训练模型和评估结果。
您可以将分类模型导出到MATLAB®工作区,或者生成MATLAB代码将模型集成到应用程序中。
分类学习者是统计和机器学习工具箱中的一个新应用程序,可以让你训练模型使用监督机器学习分类数据。分类学习器允许您执行常见的机器学习任务,如导入数据、指定验证方案、交互式地探索数据、选择特征、训练模型和评估模型性能。您可以从几种分类类型中进行选择,包括决策树、支持向量机、最近邻和集成方法(包括支持、增强和随机子空间方法)。金宝app您还可以将分类模型导出到MATLAB工作区以生成对新数据的预测,或生成MATLAB代码以将训练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。
你可以通过在MATLAB命令行中输入Classification Learner来启动Classification Learner,所有这些都是通过点击应用程序库中的Classification Learner应用程序来实现的。分类学习器允许您从矩阵或表格导入数据。该应用程序可以根据你的数据类型自动识别预测因素和响应变量。下一步是选择验证方案来检验拟合模型的预测准确性。选择k-fold交叉验证,保持,或重新替代。
成对散点图让您可以探索重要的预测因素、离群值和可视化模式或趋势的数据。在解决分类问题时,没有一刀切的办法。不同的分类器对不同类型的问题和数据集最有效。分类器库中提供的选项是很好的起点,适合于各种不同的分类问题。如果您不确定选择哪个分类器,弹出的工具提示会为您提供每个分类器的简要描述。
训练一个新模型很容易。首先,只需在图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您的模型的有用信息,例如分类器类型、预设、选定的特性以及模型的状态(如果模型是经过训练的、未经过训练的还是经过训练的)。一旦模型被训练,检查History List以查看验证集上分类器的准确性。
分类学习者可以让你训练多个模型非常快。对于每个训练过的模型,您可以通过检查散点图、混淆矩阵和工具条绘图区段中可用的ROC曲线的结果来比较模型性能。在散点图上,交叉组织错误分类的点。混淆矩阵允许您评估当前选择的分类器在每个类中的执行情况。一个占优势的对角线混淆矩阵表示一个好的分类器,因为所有的预测标签都与实际标签匹配。非对角线数字表示分类错误的点。
ROC或Receiver Operating Characteristic Curve,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方设置一个直角。曲线下的面积是分类器整体质量的衡量标准。根据您的模型评估,如果您认为模型可能需要进一步改进,那么您可以尝试删除预测能力较低的特性,或者使用高级选项更改分类器设置。
在classification Learner中交互式地创建分类模型之后,您可以导出性能最佳的模型,如绿框所示。单击Export,模型将出现在MATLAB工作区中。您可以使用这个训练过的模型对新数据进行预测。您还可以为您的最佳模型生成MATLAB代码,以在新数据上训练分类器,或将代码集成到其他机器学习应用程序中。
当使用分类学习者时,帮助总是只需点击即可。只需使用右上角的帮助按钮导航到文档,就可以找到关于Classification Learner所需的所有信息。例如,这里的表格向您展示了根据您想要做出的准确性、速度和内存权衡来选择正确分类器的指导。
要获得关于分类学习者的更多信息,以及查看和下载示例数据集,请访问分类学习者页面。您可以通过点击应用程序进入页面,然后从统计和机器学习工具箱产品页面分类学习者。分类学习者的视频介绍到此结束。感谢您的收看。