盖伯瑞尔哈,MathWorks
回归学习者应用程序允许您探索您的数据,选择功能,指定验证方案,优化超参数,并评估模型性能,以预测您的数据,而不需要编写任何代码。
您可以将回归模型导出到MATLAB®工作空间或生成MATLAB代码将模型集成到应用程序中。
该应用程序采用了一些琐碎的工作流程和任务,比如设置验证、选择相关预测器、选择最佳模型并进行调整,使它们具有交互性,为你节省了时间。它还让您完全透明地了解内部发生了什么,并通过自动生成代码来自动化工作流。
统计学和机器学习工具箱中的回归学习应用程序可以让你训练多个模型,并选择最好的模型来预测你的数据,而不需要编写任何代码。
您还可以使用该应用程序来探索数据,选择功能,指定验证方案,优化超参数,并评估模型性能。
这个例子将使用应用程序来模拟支持电网所需的电量——也被称为“负荷”——并使用该模型来预测未来的负荷。金宝app
你可以在机器学习和深度学习的应用程序库中找到回归学习者应用程序。
您也可以直接从MATLAB命令行打开它。
启动一个新会话,然后选择要使用的数据集。根据其中变量的数据类型,应用程序将自动将它们分配为预测器或响应。但是,如果有必要,您可以随时更改它们的角色。您还可以取消选择与预测响应无关的变量,这将节省培训时间。
默认的自动交叉验证选项可以防止过拟合。在这个例子中,我们有大量的数据,hold-out验证工作得很好。
接下来,您将能够探索哪种机器学习模型对您的数据最有意义。
有许多模型可供选择: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集合。金宝app
如果您已经知道哪种模型最适合您的数据,那么您可以逐个训练它们,或者选择一组模型进行训练。如果你不确定,就把它们全部挑选出来,开始训练,然后看看哪个能给你最好的初始表现。
您可以在历史列表中看到模型以及均方根误差(或RMSE)。RMSE表示模型的性能,或对数据的适应性。误差越低,适应度越好。该应用程序将自动高亮误差最小的模型。
在本例中,RMSE最低的模型是Matern 5/2 GPR。
当您选择一个模型时,您将能够使用各种图来查看关于其性能的更多细节。
例如,预测与实际图可以帮助您理解这个特定模型对不同响应值的预测有多好。一个完美的回归模型的预测响应等于真实响应,所以所有的点都在一条对角线上。从直线到任意点的垂直距离就是对该点的预测误差。
为了进一步优化模型,您可以优化它的超参数。该应用程序将尝试不同的超参数值组合,通过使用优化方案,力求最小化模型误差。
为此,选择与您的模型类型相对应的可优化模型,在本例中是可优化GPR。
该应用程序将遍历所有这些GPR模型的超参数组合。可视化显示了当不同超参数组合进行评估时,误差是如何减小的。当它完成时,应用程序将突出显示RMSE最低的最佳。
在您对培训和调优过程感到满意之后,您可以将您的模型导出到MATLAB工作区或生成MATLAB代码。
导出到工作区使您能够使用经过训练的模型对新数据进行预测。
为这个模型生成MATLAB代码使您能够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您的结果。
要了解更多关于回归学习和下载示例数据集,请点击应用程序右上角的帮助图标。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。