机器学习MATLAB
什么是机器学习?
机器学习教会计算机做人类与生俱来的事情:从经验中学习。机器学习算法使用计算方法直接从数据中“学习”信息，而不依赖于预先确定的方程作为模型。随着可供学习的样本数量的增加，算法自适应地提高了性能。
机器学习使用两种类型的技术:监督学习，它在已知的输入和输出数据上训练模型，以便预测未来的输出，以及无监督学习，它在输入数据中发现隐藏的模式或内在结构。
监督机器学习的目的是建立一个模型，在不确定性存在的情况下，根据证据做出预测。监督学习算法采用一组已知的输入数据和对数据(输出)的已知响应，并训练一个模型来生成对新数据响应的合理预测。监督学习使用分类和回归技术来开发预测模型。
分类技术可以预测分类反应，例如，一封电子邮件是真的还是垃圾邮件，或者一个肿瘤是恶性的还是良性的。分类模型将输入数据分类。典型的应用包括医学成像、图像和语音识别以及信用评分。
回归技术预测连续响应，例如温度变化或电力需求波动。典型的应用包括电力负荷预测和算法交易。
无监督学习发现数据中隐藏的模式或内在结构。它用于从没有标记响应的输入数据组成的数据集中得出推论。聚类是最常见的无监督学习技巧。它用于探索性数据分析，以发现数据中的隐藏模式或分组。聚类的应用包括基因序列分析、市场研究和物体识别。
选择正确的算法
选择正确的算法似乎是压倒性的——有监督和无监督的机器学习算法有几十种，每种算法都采用不同的学习方法。没有最好的方法或一刀切的方法。找到正确的算法在一定程度上是基于试验和错误的——即使是经验丰富的数据科学家也无法在不尝试的情况下判断一个算法是否有效。高度灵活的模型倾向于通过建模可能是噪声的微小变化来过度拟合数据。简单的模型更容易解释，但精度可能较低。因此，选择正确的算法需要权衡利弊，包括模型速度、准确性和复杂性。试错是机器学习的核心——如果一种方法或算法不起作用，你就尝试另一种。MATLAB®提供工具，帮助您尝试各种机器学习模型并选择最佳模型。
要查找MATLAB应用程序和函数来帮助您解决机器学习任务，请参阅下表。一些机器学习任务通过使用应用程序变得更容易，而另一些则使用命令行功能。
| 任务 | MATLAB应用程序及函数 | 产品 | 了解更多 |
|---|---|---|---|
| 分类来预测分类反应 | 使用分类学习应用程序自动训练模型的选择，并帮助您选择最好的。您可以生成MATLAB代码来处理脚本。 要获得更多选项，可以使用命令行界面。 |
统计和机器学习工具箱™ | |
| 回归预测连续反应 | 使用回归学习者应用程序自动训练模型的选择，并帮助您选择最好的。您可以生成MATLAB代码来使用脚本和其他函数选项。 要获得更多选项，可以使用命令行界面。 |
统计和机器学习工具箱 | |
| 聚类 | 使用聚类分析功能。 | 统计和机器学习工具箱 | 聚类分析 |
| 计算金融任务，如信用评分 | 使用工具为信用风险分析建模。 | 金融工具箱™和风险管理工具箱™ | 信用风险(金融工具箱) |
| 使用神经网络进行分类和回归的深度学习 | 使用预训练的网络和函数来训练卷积神经网络。 | 深度学习工具箱™ | MATLAB深度学习(深度学习工具箱) |
| 面部识别，运动检测，物体检测 | 使用深度学习工具进行图像处理和计算机视觉。 | 深度学习工具箱和计算机视觉工具箱™ | 识别，目标检测和语义分割(计算机视觉工具箱) |
以下系统的机器学习工作流可以帮助您解决机器学习的挑战。可以在MATLAB中完成整个工作流程。
要将训练最好的模型集成到生产系统中，您可以使用“统计和机器学习工具箱”部署机器学习模型MATLAB编译器™．对于许多模型，您可以生成用于预测的c代码MATLAB编码器™．
在分类学习App中训练分类模型
使用Classification Learner应用程序训练模型，使用监督机器学习对数据进行分类。该应用程序允许您使用各种分类器交互式地探索有监督的机器学习。
自动训练模型的选择，以帮助您选择最好的模型。模型类型包括决策树、判别分析、支持向量机、逻辑回归、最近邻、朴素贝叶斯、核近似、集成和神经网络分类器。金宝app
探索您的数据，指定验证方案，选择功能，并可视化结果。默认情况下，应用程序通过应用交叉验证来防止过拟合。或者，您可以选择拒绝验证。验证结果可帮助您为数据选择最佳模型。图和性能测量反映了验证的模型结果。
将模型导出到工作区，以便使用新数据进行预测。除了使用指定的验证方案的模型外，应用程序总是在完整数据上训练模型，而完整模型就是您导出的模型。
从应用程序生成MATLAB代码，以创建脚本，使用新数据进行训练，使用庞大的数据集，或修改代码以进行进一步分析。
要了解更多信息，请参见在分类学习App中训练分类模型．
要获得更多选项，可以使用命令行界面。看到分类．
在回归学习应用程序中训练回归模型
使用回归学习者应用程序训练模型，使用监督机器学习预测连续数据。该应用程序允许您使用各种回归模型交互式地探索监督机器学习。
自动训练模型的选择，以帮助您选择最好的模型。模型类型包括线性回归模型、回归树、高斯过程回归模型、支持向量机、核近似模型、回归树集合和神经网络回归模型。金宝app
探索您的数据，选择特征，并可视化结果。与分类学习器类似，回归学习器默认应用交叉验证。结果和可视化反映了验证过的模型。使用结果为您的数据选择最佳模型。
将模型导出到工作区，以便使用新数据进行预测。除了使用指定的验证方案的模型外，应用程序总是在完整数据上训练模型，而完整模型就是您导出的模型。
从应用程序生成MATLAB代码，以创建脚本，使用新数据进行训练，使用庞大的数据集，或修改代码以进行进一步分析。
要了解更多信息，请参见在回归学习应用程序中训练回归模型．
要获得更多选项，可以使用命令行界面。看到回归．
为深度学习训练神经网络
深度学习工具箱使您能够使用卷积神经网络执行深度学习，用于分类、回归、特征提取和迁移学习。该工具箱提供了简单的MATLAB命令，用于创建和互连深层神经网络的各个层。示例和预训练的网络使得使用MATLAB进行深度学习很容易，即使没有先进的计算机视觉算法或神经网络的广泛知识。
要了解更多信息，请参见MATLAB深度学习(深度学习工具箱)．
相关的话题
- 在回归学习应用程序中训练回归模型
- 在分类学习App中训练分类模型
- 聚类分析
- 信用风险(金融工具箱)
- 识别，目标检测和语义分割(计算机视觉工具箱)
- MATLAB深度学习(深度学习工具箱)
外部网站
您也可以从以下列表中选择一个网站: