Обучите классификаторы дискриминантного анализа Используя приложение Classification Learner

В этом примере показано, как создать классификаторы дискриминантного анализа в приложении Classification Learner, с помощью fisheriris набор данных. Можно использовать дискриминантный анализ с двумя или больше классами в Classification Learner.

  1. В MATLAB® загрузите fisheriris набор данных.

    fishertable = readtable('fisheriris.csv');
  2. На вкладке Apps, в группе Machine Learning and Deep Learning, нажимают Classification Learner.

  3. На вкладке Classification Learner, в разделе File, нажимают New Session > From Workspace.

    Classification learner tab

    В диалоговом окне New Session выберите таблицу fishertable из списка Data Set Variable (при необходимости). Заметьте, что приложение выбрало ответ и переменные предикторы на основе их типа данных. Лепесток и длина чашелистика и ширина являются предикторами, и разновидность является ответом, который вы хотите классифицировать. В данном примере не изменяйте выборы.

  4. Нажмите Start Session.

    Classification Learner создает график рассеивания данных.

  5. Используйте график рассеивания, чтобы визуализировать, какие переменные полезны для предсказания ответа. Выберите различные переменные в средствах управления X-и Осью Y. Наблюдайте, какие переменные разделяют классы наиболее ясно.

  6. Чтобы обучить оба nonoptimizable классификатора дискриминантного анализа, на вкладке Classification Learner, в разделе Model Type, кликают по стрелке вниз, чтобы расширить список классификаторов, и под Discriminant Analysis, нажать All Discriminants.

    Затем нажмите Train .

    Совет

    Если у вас есть Parallel Computing Toolbox™ затем в первый раз, когда вы нажимаете Train, вы видите диалоговое окно, в то время как приложение открывает параллельный пул рабочих. После того, как пул открывается, можно обучить несколько классификаторов целиком и продолжить работать.

    Classification Learner обучает одну из каждой опции классификации в галерее, линейных и квадратичных дискриминантах, и подсвечивает лучший счет. Приложение обрисовывает в общих чертах в поле счет Accuracy лучшей модели.

    Classification learner interface. The history panel is on the left.
                            Accuracy for each model is listed in the history panel.

  7. Выберите модель в Списке предыстории, чтобы просмотреть результаты. Исследуйте график рассеивания на обученную модель и попытайтесь строить различные предикторы. Неправильно классифицированные точки показываются X.

  8. Чтобы смотреть точность предсказаний в каждом классе, на вкладке Classification Learner, в разделе Plots, нажимают Confusion Matrix. Просмотрите матрицу истинного класса и предсказанных результатов класса.

  9. Выберите другую модель в списке, чтобы выдержать сравнение.

    Для получения информации о сильных местах различных типов модели смотрите Дискриминантный анализ.

  10. Выберите лучшую модель в Списке предыстории (лучший счет подсвечен в поле). Чтобы улучшить модель, попробуйте включая различные функции в модели. Смотрите, можно ли улучшить модель путем удаления функций с низкой предсказательной силой.

    На вкладке Classification Learner, в разделе Features, нажимают Feature Selection. В диалоговом окне Feature Selection задайте предикторы, чтобы удалить из модели и нажать Train, чтобы обучить новую модель с помощью новых опций. Сравните результаты среди классификаторов в Списке предыстории.

  11. Чтобы исследовать функции, чтобы включать или исключить, используйте параллельный график координат. На вкладке Classification Learner, в разделе Plots, выбирают Parallel Coordinates Plot.

  12. Выберите лучшую модель в Списке предыстории. Чтобы попытаться улучшить модель далее, попытайтесь изменить настройки классификатора. На вкладке Classification Learner, в разделе Model Type, нажимают Advanced. Попытайтесь изменить настройки, затем обучите новую модель путем нажатия на Train. Для получения информации о настройках смотрите Дискриминантный анализ.

  13. Чтобы экспортировать обученную модель в рабочую область, выберите вкладку Classification Learner и нажмите Export model. См. Модель Классификации Экспорта, чтобы Предсказать Новые Данные.

  14. Чтобы исследовать код на обучение этот классификатор, нажмите Generate Function.

Используйте тот же рабочий процесс, чтобы оценить и сравнить другие типы классификатора, которые можно обучить в Classification Learner.

Попробовать все nonoptimizable предварительные установки модели классификатора, доступные для вашего набора данных:

  1. Кликните по стреле на ультраправом из раздела Model Type, чтобы расширить список классификаторов.

  2. Нажмите All, затем нажмите Train.

    Model type dropdown menu

Чтобы узнать о других типах классификатора, смотрите, Обучают Модели Классификации в Приложении Classification Learner.

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте