使用分类学习者应用训练神经网络分类器
这个例子显示了如何创建和比较神经网络分类器在分类学习者应用,和出口训练模型工作区为新数据做出预测。
在MATLAB®命令窗口,加载
fisheriris数据集,创建一个表中的变量数据集用于分类。fishertable = readtable (“fisheriris.csv”);单击应用程序选项卡,然后单击显示更多右边的箭头打开应用画廊。在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,点击新会话并选择从工作空间。
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。接受默认的验证方案和继续,点击开始会议。默认的验证选项是5倍交叉验证,防止过度拟合。
数据的分类学习者创建了一个散点图。
使用散点图调查哪些变量是有用的预测响应。选择不同的选项X和Y列表下预测可视化物种的分布和测量。注意变量单独物种颜色最明显。
创建一个可供选择的神经网络模型。在分类学习者选项卡,模型部分,单击箭头打开画廊。在神经网络分类器组中,单击所有的神经网络。
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。你选择一个选项来训练模型后,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神经网络分类选项之一画廊,以及默认好树模型。在模型窗格中,应用了准确性(验证)成绩最好的模型。分类学习者也会显示验证混淆矩阵第一神经网络模型(狭窄的神经网络)。
选择一个模型模型窗格中查看结果。例如,双击狭窄的神经网络模型(2.1)。检查模型总结选项卡,显示了培训结果指标,计算验证集。
检查训练模型的散点图。在分类学习者选项卡,情节和解释部分,单击箭头打开画廊,然后单击散射在验证结果组。正确分类点是标有一个O,错误分类点是标有X。
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。
检查每个类的预测的准确性。在分类学习者选项卡,情节和解释部分,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。
对于每个剩余模型,选择模型模型窗格中,打开验证混淆矩阵,然后在模型比较结果。
选择最好的模型模型窗格(最好的分数被高亮显示准确性(验证)盒)。看你是否能提高预测能力较低的模型通过删除功能。
首先,复制的最佳模式。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使用这些方法之一。
使用平行坐标图。在分类学习者选项卡,情节和解释部分,单击箭头打开画廊,然后单击平行坐标在验证结果组。请预测,单独的类。
在模型中总结选项卡中,可以指定要使用的预测在训练。点击特征选择扩大部分,并指定预测从模型中删除。
排名算法使用一个特性。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,指定您想要使用功能排名算法,和功能的数量保持在排名最高的特性。条形图可以帮助您决定使用多少特性。
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,改变其hyperparameters。首先,通过点击复制模型重复的在模型部分。然后,试着改变hyperparameter设置,像的大小完全连接层或正规化的力量,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。
学习更多的关于神经网络模型设置,明白了神经网络分类器。
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上,单击出口,点击出口模式并选择出口模式。排除训练数据和导出一个紧凑的模型,明确出口分类模型对话框中的复选框。你仍然可以使用紧凑的模型进行预测新数据。在对话框中,单击好吧接受默认的变量名。
检查代码训练分类器,点击生成函数在出口部分。
提示
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。
培训所有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,单击箭头打开画廊的模型。
在开始组中,单击所有。
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。
