Документация

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.

На вкладке Apps, в группе Machine Learning and Deep Learning, нажимают Classification Learner.

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.

Нажмите Start Session.

Classification Learner создает график рассеивания данных.

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.

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.

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

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

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.

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.

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

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

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

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

Нажмите All, затем нажмите Train.