Gabriel Ha,Mathworks
回归学习者应用程序允许您浏览数据,选择功能,指定验证方案,优化HyperParameters,并评估模型性能,以预测您的数据,而无需编写任何代码。
您可以将回归模型导出到MATLAB®工作区或产生MATLAB代码模型集成到应用程序。
该应用程序需要琐碎的工作流程和任务,如设置了验证,挑选相关的预测,并挑选最佳模型和调整,并让他们互动,节省您的时间。它也给你完全透明到什么是引擎盖下发生,并通过自动生成的代码自动化的工作流。
回归学习应用在统计和机器学习工具箱可以让你训练多模式和选择最佳模型来预测你的数据,而无需编写任何代码。
您也可以使用该应用来探索您的数据,选择功能,指定验证方案,优化超参数和评估模型性能。
此示例将使用该应用程序模拟支持电网所需的电力量 - 也称为“加载” - 并使用该模型来对未来负载进行预测。金宝app
您可以在机器学习和深度学习下找到App Gallery中的回归学习者应用程序。
您还可以直接从MATLAB命令行打开它。
启动一个新的会话,然后选择要使用的数据集。基于所述数据类型在其中的变量的,应用程序将自动分配它们作为预测或作为响应。但是,您可以随时根据需要更改自己的角色。您也可以取消变量无关预测的响应,这将节省培训时间。
默认的自动交叉验证选项防止过度拟合。在这个例子中,我们有大量的数据,保持退出验证效果很好。
接下来,你就可以探究的学习模式使得该机器最有意义与您的数据。
有许多型号可以从中选择:线性回归模型,回归树,高斯过程回归模型,支持向量机和回归树的合奏。金宝app
如果你已经拥有什么样的车型最适合您的数据的想法,你可以训练他们一个接一个,或选择一组模型火车。如果你不确定,就选择所有这些,开始训练,并期待在一个给你最好的初始性能。
您可以在历史记录列表中看到模型以及根均值误差(或RMSE)。RMSE代表模型的性能或适用性,反对您的数据。误差越低,健身越好。该应用程序将自动突出显示最低错误的模型。
在这个例子中,具有最低RMSE型号是Matern 5/2 GPR。
当你选择一个模型,你就可以使用各种阴谋查看其效果更多细节。
作为一个例子,预测与实际对比情节可以帮助你理解这个特殊的模式如何使不同的响应值的预测。一个完美的回归模型预测的响应等于真实的反应,因此,所有的点位于对角线上。从线到任何点的垂直距离是预测该点的误差。
为了进一步优化模型,您可以调整其超级参数。该应用程序将通过使用寻求最小化模型错误的优化方案来尝试不同的Hyper参数值组合。
要做到这一点,选择与你的模型类型,可优化的模型在这种情况下,可优化的GPR。
该应用程序将遍历GPR模型的所有这些HyperParameters组合。可视化显示如何随着评估的不同组合而降低。完成后,该应用程序将突出显示最低RMSE的最佳产品。
满足培训和调整过程后,您可以将模型导出回MATLAB工作区或生成MATLAB代码。
导出到工作区,您可以使用训练的模型,使新数据的预测。
生成此模型的MATLAB代码使您可以将其集成到机器学习应用程序中,并使您的同事能够快速复制结果。
要了解更多有关回归学习和下载示例数据集的,请单击该应用程序的右上角的帮助图标。
您还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。