Документация

В MATLAB^® загрузите fisheriris набор данных и задает некоторые переменные из набора данных, чтобы использовать для классификации.

fishertable = readtable('fisheriris.csv');

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 from Workspace 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. Разновидность является ответом, который вы хотите классифицировать. В данном примере не изменяйте выборы.

Нажмите Start Session.

Classification Learner создает график рассеивания данных.

Используйте график рассеивания, чтобы заняться расследованиями, какие переменные полезны для предсказания ответа. Выберите различные переменные в средствах управления X-и Осью Y, чтобы визуализировать распределение разновидностей и измерения. Наблюдайте, какие переменные разделяют цвета разновидностей наиболее ясно.

Чтобы создать выбор моделей ансамбля, на вкладке Classification Learner, в разделе Model Type, кликают по стрелке вниз, чтобы расширить список классификаторов, затем под Ensemble Classifiers, нажать All Ensembles.

В разделе Training нажмите Train.

Classification Learner обучает одну из каждой nonoptimizable опции классификации ансамблей в галерее и подсвечивает лучший счет. Приложение обрисовывает в общих чертах в поле счет Accuracy (Validation) лучшей модели.

Выберите модель в панели Models, чтобы просмотреть результаты. Исследуйте график рассеивания на обученную модель. Неправильно классифицированные точки показываются X.

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

Выберите другие модели в панели Models, чтобы выдержать сравнение.

Выберите лучшую модель (лучший счет подсвечен в поле Accuracy (Validation)). 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 панели Models.

Чтобы исследовать функции, чтобы включать или исключить, используйте рассеяние и найдите что-либо подобное графикам координат. На вкладке Classification Learner, в разделе Plots, выбирают Parallel Coordinates.

Выберите лучшую модель в панели Models. Чтобы попытаться улучшить модель далее, попытайтесь изменить настройки. 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, чтобы попытаться сильные места различных типов модели ансамбля, смотрите Классификаторы Ансамбля.

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.