Classification Learner

Обучите модели классифицировать данные с помощью машинного обучения с учителем

Описание

Приложение Classification Learner обучает модели классифицировать данные. Используя это приложение, можно исследовать машинное обучение с учителем с помощью различных классификаторов. Можно исследовать данные, выбрать функции, задать схемы валидации, обучить модели и оценить результаты. Можно выполнить автоматизированное обучение искать лучший тип модели классификации, включая деревья решений, дискриминантный анализ, машины опорных векторов, логистическую регрессию, самых близких соседей, наивного Бейеса, ансамбль и классификацию нейронных сетей.

Можно выполнить машинное обучение с учителем путем предоставления известного набора входных данных (наблюдения или примеры) и имеющиеся отклики к данным (e.g., метки или классы). Вы используете данные, чтобы обучить модель, которая генерирует предсказания для ответа на новые данные. Чтобы использовать модель с новыми данными или узнать о программируемой классификации, можно экспортировать модель в рабочую область или сгенерировать код MATLAB®, чтобы воссоздать обученную модель.

Совет

Начать, в списке Классификаторов, All Quick-To-Train попытки, чтобы обучить выбор моделей. Смотрите Автоматизированное Обучение Классификатора.

Необходимые продукты

  • MATLAB

  • Statistics and Machine Learning Toolbox™

Примечание: Когда вы используете Classification Learner в MATLAB Online™, можно обучаться, модели в параллели с помощью кластера Центра Облака (требует Parallel Computing Toolbox™). Для получения дополнительной информации смотрите Использование Parallel Computing Toolbox с Кластером Центра Облака в MATLAB Online (Parallel Computing Toolbox).

Classification Learner app

Откройте приложение Classification Learner

  • Панель инструментов MATLAB: На вкладке Apps, под Machine Learning, кликают по значку приложения.

  • Командная строка MATLAB: Войти classificationLearner.

Программируемое использование

развернуть все

classificationLearner открывает приложение Classification Learner или приносит особое внимание на приложение, если это уже открыто.

classificationLearner(Tbl,ResponseVarName) открывает приложение Classification Learner и заполняет диалоговое окно New Session from Arguments с данными, содержавшимися в таблице Tbl. ResponseVarName аргумент в виде вектора символов или строкового скаляра, имя переменной отклика в Tbl это содержит метки класса. Остающиеся переменные в Tbl переменные предикторы.

classificationLearner(Tbl,Y) открывает приложение Classification Learner и заполняет диалоговое окно New Session from Arguments с переменными предикторами в таблице Tbl и класс помечает в векторном Y. Можно задать ответ Y как категориальный массив, символьный массив, массив строк, логический вектор, числовой вектор или массив ячеек из символьных векторов.

classificationLearner(X,Y) открывает приложение Classification Learner и заполняет диалоговое окно New Session from Arguments с n-by-p матрица предиктора X и класс n помечает в векторном Y. Каждая строка X соответствует одному наблюдению, и каждый столбец соответствует одной переменной. Длина Y и количество строк X должно быть равным.

classificationLearner(___,Name,Value) задает опции перекрестной проверки с помощью одного или нескольких следующих аргументов значения имени в дополнение к любой из комбинаций входных аргументов в предыдущих синтаксисах. Например, можно задать 'KFold',10 использовать 10-кратную схему перекрестной проверки.

  • 'CrossVal'В виде 'on' (значение по умолчанию) или 'off', флаг перекрестной проверки. Если вы задаете 'on', затем приложение использует 5-кратную перекрестную проверку. Если вы задаете 'off', затем приложение использует валидацию перезамены.

    Можно заменить 'CrossVal' установка перекрестной проверки при помощи 'Holdout' или 'KFold' аргумент значения имени. Можно задать только один из этих аргументов за один раз.

  • 'Holdout'В виде числового скаляра в области значений [0.05 0.5], часть данных, используемых для валидации затяжки. Приложение использует остающиеся данные для обучения.

  • 'KFold'В виде положительного целого числа в области значений [2,50], количество сгибов, чтобы использовать для перекрестной проверки.

Смотрите также

Приложения

Функции

Представленный в R2015a
Для просмотра документации необходимо авторизоваться на сайте