在各种算法中选择训练和验证分类模型,以解决二进制或多类问题。训练多个模型后,将其验证错误并排比较,然后选择最佳模型。要帮助您确定要使用哪种算法,请参阅分类学习者应用中的火车分类模型。
该流程图显示了分类学习者应用程序中训练分类模型或分类器的常见工作流程。
分类学习者 | 火车模型使用监督的机器学习对数据进行分类 |
用于培训,比较和改进分类模型的工作流程,包括自动化,手动和并行培训。
将数据从工作区或文件中导入分类学习者,查找示例数据集,然后选择交叉验证或保留验证选项。
在分类学习者中,会自动训练模型的选择,或在决策树,判别分析,逻辑回归,天真的贝叶斯,支持向量机,最近的邻居,内核近似,集合和神经网络模型中进行比较和调整选项。金宝app
比较模型精度得分,通过绘制类预测来可视化结果,并在混淆矩阵中检查每个类别的性能。
在分类学习者培训后,将模型导出到工作区,生成MATLAB®代码,生成用于预测的C代码,或用于部署的导出模型MATLAB生产服务器™。
创建和比较分类树和导出训练有素的模型,以对新数据进行预测。
创建和比较判别分析分类器,并导出经过训练的模型以对新数据进行预测。
创建和比较逻辑回归分类器,并导出经过训练的模型以对新数据进行预测。
创建和比较天真的贝叶斯分类器,并导出经过训练的模型,以对新数据进行预测。
创建和比较支持向量机(SVM)分类器,金宝app并导出经过训练的模型以对新数据进行预测。
创建和比较最近的邻居分类器,并导出经过训练的模型以对新数据进行预测。
创建和比较内核近似分类器,并导出经过训练的模型以对新数据进行预测。
创建和比较合奏分类器和导出训练有素的模型以对新数据进行预测。
创建和比较神经网络分类器,并导出经过训练的模型以对新数据进行预测。
使用图,在分类学习者中使用PCA来确定有用的预测因素,并选择要包含的功能并转换功能。
在培训任何分类模型之前,请指定与将一个类别的观察结果划分为另一个类别相关的成本。
在指定错误分类成本后创建分类器,并比较模型的准确性和总分类成本。
通过使用超参数优化来自动调整分类模型的超参数。
使用优化的超参数训练分类支持向量机(SVM)模金宝app型。
将测试集导入分类学习者,并检查测试集指标是否表现最好的训练有素。
培训前后创建的导出和自定义图。
使用分类学习者应用训练分类模型,并生成C/C ++代码进行预测。
此示例显示了如何使用分类学习者训练逻辑回归模型,然后生成C代码,该C代码使用导出的分类模型预测标签。
在分类学习者中培训模型,并将其导出到部署到MATLAB生产服务器。