使用分类学习者应用判别分析分类器训练
这个例子展示了如何构造判别分析分类器在分类学习者应用,使用fisheriris
数据集。你可以使用两个或两个以上的类判别分析分类学习者。
在MATLAB®,加载
fisheriris
数据集。fishertable = readtable (“fisheriris.csv”);
在应用程序选项卡,机器学习和深度的学习组中,单击分类学习者。
在分类学习者选项卡,文件部分中,点击新会话>从工作区。
新会话从工作区对话框中,选择表
fishertable
从数据集变量列表(如果有必要)。观察到这个应用程序已经选择反应和预测变量根据其数据类型。花瓣和萼片长度和宽度预测,物种是你想要的反应分类。对于这个示例,不改变选择。点击开始会议。
数据的分类学习者创建了一个散点图。
使用变量的散点图来可视化是有用的预测响应。选择不同的变量X和y轴的控制。观察变量单独类最清楚。
训练两个判别分析分类器(一个线性和二次)上分类学习者选项卡,模型部分,单击向下箭头扩大的分类列表,和下判别分析,点击所有的判别。然后,在火车部分中,点击火车都并选择火车都。
请注意
如果你有并行计算工具箱™,那么应用程序的使用并行默认按钮进行切换。你点击后火车都并选择火车都或选择火车应用程序打开一个平行的工人。在这段时间里,你不能与软件交互。池打开后,可以继续与应用程序交互,同时并行模型火车。
如果你没有并行计算工具箱,然后应用程序了使用背景培训复选框的火车都菜单默认选中。单击训练模型后,应用程序打开一个背景池。池打开后,可以继续与应用程序交互,同时在后台模型火车。
分类学习者火车每个判别选项之一画廊,以及默认好树模型。在模型窗格中,应用程序概述了在一个盒子里准确性(验证)成绩最好的模型(或模型)。分类学习者也会显示验证混淆矩阵的判别模型(线性判别)。
请注意
验证了一些随机性的结果。你的模型验证结果可以从这个例子中所示的结果不同。
为一个模型查看结果,选择模型模型面板,检查总结选项卡。在分类学习者选项卡,模型部分中,点击总结。的总结选项卡显示了培训结果指标,计算验证集。
选择第二个判别模型(二次判别)模型面板,检查每个类的预测的准确性。在分类学习者选项卡,情节部分,单击箭头打开画廊,然后单击混淆矩阵(验证)在验证结果组。视图矩阵的类和类预测结果。
两个判别模型的结果进行比较。不同模型类型的信息优势,明白了判别分析。
选择最好的模型模型窗格(最好的成绩是在一个盒子里突出显示)。尝试改善模型,包括模型中不同的特性。看你是否能提高预测能力较低的模型通过删除功能。
第一次重复的最佳模式。在分类学习者选项卡,模型部分中,点击重复的。
调查特性包括或排除,您可以使用平行坐标图。在分类学习者选项卡,情节部分,单击箭头打开画廊,并点击平行坐标在验证结果组。请预测,单独的类。
您可以指定要使用的预测模型在训练总结选项卡。点击特征选择扩大部分,并指定预测从模型中删除。
或者,您可以使用一个特性排名算法来确定使用哪个功能在模型训练。在分类学习者选项卡,选项部分中,点击特征选择。在默认的特征选择选项卡中,指定您想要使用的排名算法。指定特性的数量保持在排名最高的特性。您可以使用条形图来帮助决定多少特性使用。
点击保存和应用保存您的更改。新的特征选择应用于现有模型的草案模型面板和将被应用到新的草案创建的模型使用的画廊模型部分的分类学习者选项卡。
火车模型。在分类学习者选项卡,火车部分中,点击火车都并选择选择火车火车模型使用新的选项。比较结果的分类器模型窗格。
选择最好的模型模型窗格。为了进一步完善模型,尝试改变其hyperparameters。首先,使用复制模型重复的按钮模型部分。然后,尝试改变hyperparameter设置在模型中总结选项卡。训练新模式通过点击火车都并选择选择火车在火车部分。设置的信息,请参阅判别分析。
您可以导出一个完整或紧凑的训练模型的版本到工作区。在分类学习者选项卡,出口部分中,点击出口模式和选择出口模式或出口紧凑的模型。看到出口分类模型来预测新数据。
检查代码训练分类器,点击生成函数在出口部分。
使用相同的工作流程评估和比较的其他分类器类型你可以训练分类学习者。
尝试所有的nonoptimizable分类器模型预设可供你的数据集:
在分类学习者选项卡,模型部分,单击箭头打开画廊分类模型。
在开始组中,单击所有。然后,在火车部分中,点击火车都并选择火车都。
了解其他类型的分类器,请参阅训练分类模型的分类学习者应用。