Выберите один из различных алгоритмов для обучения и проверки классификационных моделей для двоичных или многоклассовых проблем. После обучения нескольких моделей сравните их ошибки проверки, а затем выберите лучшую модель. Чтобы определить, какой алгоритм использовать, см. раздел Модели классификации поездов в приложении Classification Learner App.
На этой блок-схеме показан общий рабочий процесс для обучающих классификационных моделей или классификаторов в приложении Classification Learner.
| Классификатор | Обучение моделей классификации данных с помощью контролируемого машинного обучения |
Обучение классификационным моделям в приложении Classifier Learner
Рабочий процесс для обучения, сравнения и совершенствования моделей классификации, включая автоматизированное, ручное и параллельное обучение.
Выбор данных и проверка для проблемы классификации
Импортируйте данные в Classification Learner из рабочей области или файлов, найдите примеры наборов данных и выберите параметры перекрестной проверки или проверки удержания.
Выбрать параметры классификатора
В Classification Learner автоматически обучайте выбор моделей или сравнивайте и настраивайте опции в дереве решений, дискриминантном анализе, логистической регрессии, наивном Байесе, поддерживающей векторной машине, ближайших моделях соседей, ансамблей и нейронных сетей.
Оценка производительности классификатора в классификаторе
Сравните показатели точности модели, визуализируйте результаты путем построения прогнозов классов и проверьте производительность каждого класса в матрице путаницы.
Экспорт классификационной модели для прогнозирования новых данных
После обучения в Classification Learner экспортируйте модели в рабочую область, генерируйте код MATLAB ® или код C для прогнозирования.
Обучение деревьев принятия решений с помощью приложения Classification Learner
Создание и сравнение деревьев классификации и экспорт обученных моделей для прогнозирования новых данных.
Обучение классификаторов дискриминантного анализа с помощью приложения Classification Learner
Создание и сравнение классификаторов анализа дискриминантов и экспорт обученных моделей для прогнозирования новых данных.
Подготовка классификаторов логистической регрессии с помощью приложения Classification Learner
Создание и сравнение классификаторов логистической регрессии и экспорт обученных моделей для прогнозирования новых данных.
Обучение наивных классификаторов Байеса с помощью приложения Classification Learner
Создание и сравнение наивных классификаторов Байеса и экспорт обученных моделей для прогнозирования новых данных.
Обучение поддержки векторных машин с помощью приложения Classification Learner
Создание и сравнение классификаторов вспомогательных векторных машин (SVM) и экспорт обученных моделей для прогнозирования новых данных.
Обучение классификаторов ближайших соседей с помощью приложения Classification Learner
Создание и сравнение ближайших соседних классификаторов и экспорт обученных моделей для прогнозирования новых данных.
Подготовка классификаторов ансамблей с помощью приложения Classification Learner
Создание и сравнение классификаторов ансамблей и экспорт обученных моделей для прогнозирования новых данных.
Подготовка классификаторов нейронных сетей с помощью приложения Classification Learner
Создание и сравнение классификаторов нейронных сетей и экспорт обученных моделей для прогнозирования новых данных.
Выбор и преобразование функций с помощью приложения Classification Learner
Определите полезные предикторы с помощью графиков, вручную выберите элементы для включения и преобразуйте элементы с помощью PCA в Classification Learner.
Расходы на неправильную классификацию в приложении Classification Learner
Перед обучением моделей классификации укажите затраты, связанные с неправильной классификацией наблюдений одного класса на другой.
Создайте классификаторы после указания затрат на неправильную классификацию и сравните точность и общие затраты на неправильную классификацию моделей.
Оптимизация гиперпараметров в приложении Classification Learner
Автоматическая настройка гиперпараметров классификационных моделей с помощью оптимизации гиперпараметров.
Обучение модели вектора поддержки классификации (SVM) с оптимизированными гиперпараметрами.
Импортируйте набор тестов в Classification Learner и проверьте метрики набора тестов для наиболее эффективных обучаемых моделей.
Экспорт графиков в приложение Classification Learner
Экспорт и настройка графиков, созданных до и после обучения.
Приложение для обучения по генерации и классификации кодов
Обучите классификационную модель с помощью приложения Classification Learner и создайте код C/C + + для прогнозирования.
Создание кода для модели логистической регрессии, обученной классификатору
В этом примере показано, как обучить модель логистической регрессии с помощью Classification Learner, а затем создать код C, который предсказывает метки с помощью экспортированной модели классификации.