В Classification Learner таблицы являются самым легким способом использовать ваши данные, потому что они могут содержать числовой и пометить данные. Используйте Import Tool, чтобы принести ваши данные в рабочую область MATLAB® как таблица или использовать табличные функции, чтобы создать table от переменных рабочей области. См. Таблицы (MATLAB).
Если ваши предикторы являются матрицей, и ответ является вектором, объедините их в таблицу с помощью table функция.
Загрузите свои данные в рабочее пространство MATLAB.
Переменные прогноза и переменные отклика могут быть числовыми, категориальными, строка, или логические векторы, массивы ячеек из символьных векторов или символьные массивы. Если ваша переменная отклика является вектором строки, то прогнозы обученной модели являются массивом ячеек из символьных векторов.
Например, наборы данных, смотрите Данные В качестве примера для Классификации.
На вкладке Apps нажмите Classification Learner.
В Classification Learner, на вкладке Classification Learner, в разделе File, нажимают New Session.
В диалоговом окне New Session выберите таблицу или матрицу от переменных рабочей области.
Если вы выбираете матрицу, выбираете, использовать ли строки или столбцы для наблюдений путем нажатия на переключатели.
Наблюдайте роли, которые приложение выбирает для переменных на основе их типа данных. Приложение пытается выбрать подходящую переменную отклика, и все другие переменные являются предикторами. Измените выборы в случае необходимости. Добавьте или удалите предикторы с помощью флажков. Добавьте или удалите все предикторы путем нажатия на Add All или Remove All. Можно также добавить или удалить несколько предикторов путем выбора их в таблице, и затем нажатия на Add N или Remove N, где N является количеством выбранных предикторов. Кнопки Add All и Remove All превращаются в Add N и Remove N, когда вы выбираете несколько предикторов.
Чтобы принять схему валидации по умолчанию и продолжиться, нажмите Start Session. Опция валидации по умолчанию является 5-кратной перекрестной проверкой, которая защищает от сверхподбора кривой.
Если у вас есть большой набор данных, вы можете хотеть переключиться на валидацию затяжки. Чтобы узнать больше, смотрите, Выбирают Validation Scheme.
Для следующих шагов смотрите, Обучают Модели Классификации в Приложении Classification Learner.
На вкладке Classification Learner, в разделе File, выбирают New Session> From File.
Выберите тип файла в списке, таком как электронные таблицы, текстовые файлы, или запятая разделила значения (.csv) файлы, или выбирают All Files, чтобы просмотреть другие типы файлов, такие как .dat.
Чтобы начать использовать Classification Learner, попробуйте следующие наборы данных в качестве примера.
| Имя | Размер | Описание |
|---|---|---|
| Фишер Айрис | Количество предикторов: 4 | Измерения от трех разновидностей ирисовой диафрагмы. Попытайтесь классифицировать разновидности. Для постепенного примера смотрите, Обучают Деревья решений Используя Приложение Classification Learner. |
Составьте таблицу от fishertable = readtable('fisheriris.csv');
| ||
| Кредитный рейтинг | Количество предикторов: 6 | Финансовая информация об отношениях и отраслях промышленности для списка корпоративных клиентов. Переменная отклика состоит из кредитных рейтингов (AAA, AA, A, BBB, BB, B, CCC) присвоенный рейтинговым агентством. |
Составьте таблицу от creditrating = readtable('CreditRating_Historical.dat'); | ||
| Автомобили | Количество предикторов: 7 | Измерения автомобилей, в 1 970, 1976, и 1982. Попытайтесь классифицировать страну происхождения. |
Составьте таблицу от переменных в load carsmall cartable = table(Acceleration, Cylinders, Displacement,... Horsepower, Model_Year, MPG, Weight, Origin); | ||
| Аритмия | Количество предикторов: 279 | Терпеливая информация и переменные отклика, которые указывают на присутствие и отсутствие сердечной аритмии. Неправильная классификация пациента как "нормальный" имеет более серьезные последствия, чем ложные положительные стороны, классифицированные, как “имеет аритмию”. |
Составьте таблицу от load arrhythmia Arrhythmia = array2table(X); Arrhythmia.Class = categorical(Y); | ||
| Рак яичника | Количество предикторов: 4000 | Данные о раке яичника сгенерировали использование массива белка WCX2. Включает 95 средств управления и 121 рак яичника. |
Составьте таблицу от load ovariancancer ovariancancer = array2table(obs); ovariancancer.Group = categorical(grp); | ||
| Ионосфера | Количество предикторов: 34 | Сигналы от поэтапного массива 16 высокочастотных антенн. Хороший (“g”) возвратился, радарные сигналы - те, которые приводят доказательство некоторого типа структуры в ионосфере. Плохой (“b”) сигналы - те, которые проходят через ионосферу. |
Составьте таблицу от load ionosphere ionosphere = array2table(X); ionosphere.Group = Y; | ||
Выберите метод валидации, чтобы исследовать прогнозирующую точность подобранных моделей. Валидация оценивает производительность модели на новых данных по сравнению с обучающими данными и помогает вам выбрать лучшую модель. Валидация защищает от сверхподбора кривой. Выберите схему валидации перед обучением любые модели, так, чтобы можно было сравнить все модели на сеансе с помощью той же схемы валидации.
Попробуйте схему валидации по умолчанию и нажмите Start Session, чтобы продолжиться. Опция по умолчанию является 5-кратной перекрестной проверкой, которая защищает от сверхподбора кривой.
Если у вас есть большой набор данных, и учебные модели берет слишком долго перекрестную проверку использования, повторно импортируйте свои данные и попробуйте более быструю валидацию затяжки вместо этого.
Cross-Validation: Выберите много сгибов (или деления), чтобы разделить набор данных с помощью управления ползунком.
Если вы выбираете сгибы k, то приложение:
Делит данные в k непересекающиеся наборы или сгибы
Для каждого сгиба:
Обучает модель с помощью наблюдений из сгиба
Оценивает использование производительности модели, окутывают данные
Вычисляет среднюю тестовую ошибку по всем сгибам
Этот метод дает хорошую оценку прогнозирующей точности итоговой модели, обученной со всеми данными. Это требует нескольких подгонок, но делает эффективное использование всех данных, таким образом, это рекомендуется для небольших наборов данных.
Holdout Validation: Выберите процент данных, чтобы использовать в качестве набора тестов с помощью управления ползунком. Приложение обучает модель на наборе обучающих данных и оценивает его производительность с набором тестов. Модель, используемая в валидации, основана на только фрагменте данных, таким образом, Holdout Validation рекомендуется только для больших наборов данных. Итоговая модель обучена с полным набором данных.
No Validation: Никакая защита от сверхподбора кривой. Приложение использует все данные для обучения и вычисляет коэффициент ошибок тех же данных. Без любых тестовых данных вы получаете нереалистичную оценку производительности модели на новых данных. Таким образом, учебная демонстрационная точность, вероятно, будет нереалистично высока, и прогнозирующая точность, вероятно, будет ниже.
Чтобы помочь вам постараться не сверхсоответствовать к обучающим данным, выберите схему валидации вместо этого.
Схема валидации только влияет на способ, которым Classification Learner вычисляет метрики валидации. Итоговая модель всегда обучается с помощью полного набора данных.
Все модели классификации, которые вы обучаете после выбора данных, используют ту же схему валидации, которую вы выбираете в этом диалоговом окне. Можно сравнить все модели на сеансе с помощью той же схемы валидации.
Чтобы изменить выбор валидации и обучить новые модели, можно выбрать данные снова, но вы теряете любые обученные модели. Приложение предупреждает вас, что импортирование данных запускает новый сеанс. Сохраните любые обученные модели, вы хотите придерживаться рабочей области, и затем импортировать данные.
Для следующих моделей обучения шагов смотрите, Обучают Модели Классификации в Приложении Classification Learner.
