Обучите классификаторы логистической регрессии Используя приложение Classification Learner

В этом примере показано, как создать классификаторы логистической регрессии в приложении Classification Learner, с помощью ionosphere набор данных, который содержит два класса. Можно использовать логистическую регрессию с двумя классами в Classification Learner. В ionosphere данные, переменная отклика является категориальной с двумя уровнями: g представляет хороший радар, возвращается, и b представляет плохой радар, возвращается.

  1. В MATLAB® загрузите ionosphere набор данных и задает некоторые переменные из набора данных, чтобы использовать в классификации.

    load ionosphere
    ionosphere = array2table(X);
    ionosphere.Group = Y;

    В качестве альтернативы можно загрузить ionosphere набор данных и сохраняет X и Y данные как отдельные переменные.

  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.

    В диалоговом окне New Session выберите таблицу ionosphere из списка Data Set Variable. Заметьте, что приложение выбрало Group для переменной отклика и остальных как предикторы. Group имеет два уровня.

    В качестве альтернативы, если вы сохранили свои данные о предикторе X и переменная отклика Y как две отдельные переменные, можно сначала выбрать матричный X из списка Data Set Variable. Затем под Response кликните по переключателю From workspace и выберите Y из списка. Y переменная совпадает с Group переменная.

  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 цвета класса наиболее ясно.

  6. Чтобы обучить классификатор логистической регрессии, на вкладке Classification Learner, в разделе Model Type, кликают по стрелке вниз, чтобы расширить список классификаторов, и под Logistic Regression Classifiers, нажать Logistic Regression.

    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 модель. Основы приложения в поле счет Accuracy лучшей модели (в этом случае, существует только одна модель).

  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 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.

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

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

  12. 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.

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

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте