이번역페이지는최신내용을담고있지않습니다。최신내용을영문으로보려면여기를클릭하십시오。
고품질예측분류모델을개발하는경우적합한특징(또는예측변수)을선택하고하이퍼파라미터(추정되지않은모델모수)를조율해야합니다。
특정모델의하이퍼파라미터를조율하려면하이퍼파라미터값을선택하고이들값을사용하여모델을교차검증하십시오。예를들어,SVM모델을조정하려면상자제약조건과커널스케일의집합을선택하고,값의쌍각각에대해모델을교차검증하십시오。특정统计和机器学习工具箱™분류함수는베이즈최적화,그리드탐색또는임의탐색을통해자동하이퍼파라미터조율기능을제공합니다。그러나,베이즈최적화를구현하는주요함수bayesopt
은다른응용사례에사용할수있을정도로유연합니다。贝叶斯优化工作流程항목을참조하십시오。
특징선택과하이퍼파라미터조율을통해여러모델이생성될수있습니다。모델간k겹오분류율,中华民国(수신자조작특성)곡선또는혼동행렬을비교할수있습니다。또는,통계검정을수행하여어떠한분류모델이다른모델보다성능이훨씬더뛰어난지여부를파악할수있습니다。
조정된하이퍼파라미터를가진모델을자동으로선택하려면fitcauto
를사용하십시오。이함수는다양한하이퍼파라미터값으로분류모델유형을선택해보고새데이터에서잘수행될것으로예상되는최종모델을반환합니다。어떤분류기유형이데이터에가장적합한지확신하지못할경우fitcauto
를사용하십시오。
분류모델을대화형방식으로만들고평가하려면분류학습기앱을사용하십시오。
분류모델을해석하려면石灰
또는plotPartialDependence
를사용할수있습니다。
분류학습기 | 머신러닝지도학습을사용하여데이터를분류하도록모델훈련시키기 |
자동화된훈련,수동훈련,병렬훈련등분류모델을훈련시키고비교하고향상시킬수있는워크플로입니다。
比较模型的准确性分数,通过绘制类预测图来可视化结果,并在混淆矩阵中检查每个类的表现。
使用图识别有用的预测器,手动选择特征包括,并在分类学习中使用PCA变换特征。
了解特征选择算法并探索特征选择可用的功能。
本主题介绍了顺序特性选择,并提供了一个使用自定义标准和sequentialfs
函数。
邻域分量分析(NCA)是一种非参数的特征选择方法,其目标是最大限度地提高回归和分类算法的预测精度。
这个例子展示了如何调优正则化参数fscnca
使用交叉验证。
在不影响模型预测能力的情况下,通过删除预测器来建立一个更健壮、更简单的模型。
이예제에서는고차원데이터를분류하기위해특징을선택하는방법을보여줍니다。
使用fit函数或调用bayesopt
直接。
为贝叶斯优化创建变量。
为贝叶斯优化创建目标函数。
为贝叶斯优化设置不同类型的约束。
使用贝叶斯优化最小化交叉验证损失。
使用OptimizeParameters
拟合函数中的名称-值对。
可视化地监控贝叶斯优化。
监控贝叶斯优化。
了解贝叶斯优化的基本算法。
贝叶斯优化是如何并行工作的。