自动化机器学习(Automl)自动化并消除从设置到预测模型的数据所需的手动步骤。Automl还降低了构建精确模型所需的专业知识,因此您是否可以使用它是专家还是有限的机器学习体验。通过自动化重复任务,AutomL简化机器学习工作流程中的复杂阶段,例如:
- 数据探索和预处理:识别应消除的低预测能力和高度相关的变量。
- 特征提取与选择:自动提取特征和 - 在大功能集中 - 识别具有高预测功率的特征。
- 模型选择和调优:自动调优模型超参数并识别性能最佳的模型。
- 准备部署:通过代码生成,您可以将高级机器学习代码转换为低级语言,如C/ c++,以便部署在内存有限和低功耗的嵌入式设备上。
您可以使用MATLAB与AutomL支持许多工作流程,例如功能提取和金宝app选择和模型选择和调谐。
特征提取与选择
特征提取减少了原始数据中存在的高维性和可变性,并识别捕获输入信号的突出和独特部分的变量。特征工程的过程通常从原始数据生成初始特征,以选择最合适的特征的小子集。但功能工程是一个迭代过程,其他方法如特征转换和维度减少可以发挥作用。
根据数据类型的不同,有很多方法可以从原始数据中生成特征:
- 小波散射应用预定义的小波和尺度滤波器从信号和图像数据中获取低方差特征。
- 非监督学习方法,例如重建ICA和稀疏的过滤,通过发现独立分量和优化特征分布中的稀疏性来学习有效的表示。
- 其他功能图片和音频信号可以在“计算机视觉工具箱™”和“音频工具箱™”中找到。
特征选择识别仍然具有预测能力的特征子集,但特征更少,模型更小。各种各样的自动特征选择的方法,包括根据其预测能力和学习特征重要性以及模型参数对特征进行排序。其他特征选择方法迭代地确定一组优化模型性能的特征。
模型选择和调优
开发一个综合机器学习模型的核心是,在众多可用模型中识别出哪一个最适合手头的任务,然后调整其超参数以优化性能。AutoML可以在一个步骤中优化模型和相关的超参数。一步模型优化的高效实现元学习缩小搜索申请好模型的一个子集候选人模型基于特征的功能,并优化每个候选人的hyperparameters模型有效地运用贝叶斯优化的计算更密集的网格和随机搜索。
如果使用其他方法(例如,试错)识别有希望的模型,其超参数可以通过网格或随机搜索或前面提到的贝叶斯优化等方法单独优化。
一旦您确定了一个性能模型,您就可以部署您的优化模型,而不需要额外的编码。要完成这个任务,应用自动代码生成或将其集成到模拟环境中,如Simulink金宝app®。