Классификация

Контролируемые и полууправляемые алгоритмы обучения для двоичных и многоклассовых проблем

Классификация - это тип контролируемого машинного обучения, при котором алгоритм «учится» классифицировать новые наблюдения на примерах помеченных данных. Для интерактивного изучения классификационных моделей используйте приложение Classification Learner. Для большей гибкости можно передавать данные предиктора или элемента с соответствующими ответами или метками функции подбора алгоритма в интерфейсе командной строки.

Чтобы обучить регрессионные модели, такие как логистическая регрессия, деревья регрессии, гауссова регрессия процесса и поддержка векторной регрессии, см. раздел Регрессия.

Основы классификации

Приложение Classification Learner
Интерактивное обучение, проверка и настройка моделей классификации
Деревья классификации
Двоичные деревья решений для многоклассового обучения
Дискриминантный анализ
Регуляризованный линейный и квадратичный дискриминантный анализ
Наивный Байес
Наивная модель Байеса с гауссовыми, полиномиальными или ядровыми предикторами
Ближайшие соседи
k ближайших соседей с помощью поиска в дереве Kd
Поддержка классификации векторных машин
Поддержка векторных машин для двоичной или мультиклассовой классификации
Классификационные ансамбли
Повышение, случайный лес, фасовка в мешки, случайное подпространство и ECOC ансамбли для многоклассного обучения
Обобщенная аддитивная модель
Интерпретируемая модель, состоящая из одномерных и двумерных функций формы для двоичной классификации
Нейронные сети
Нейронные сети для бинарной и мультиклассовой классификации
Инкрементное обучение
Подгонка классификационной модели для потоковой передачи данных и отслеживания ее производительности
Полууправляемое обучение для классификации
Методы обучения на основе графиков и самоподготовки для полууправляемого обучения
Интерпретируемость
Подготовка интерпретируемых классификационных моделей и интерпретация сложных классификационных моделей
Типовое построение и оценка
Выбор элементов, проектирование элементов, выбор модели, оптимизация гиперпараметров, перекрестная проверка, прогнозная оценка производительности и тесты сравнения точности классификации

Характерные примеры

Automated Classifier Selection with Bayesian Optimization

Автоматизированный выбор классификаторов с байесовской оптимизацией

Использовать fitcauto автоматически попробовать выбрать типы классификационных моделей с различными значениями гиперпараметров, учитывая обучающий предиктор и данные ответа.

Открыть сценарий в реальном времени

Moving Towards Automating Model Selection Using Bayesian Optimization

Переход к автоматизации выбора модели с использованием байесовской оптимизации

Создайте несколько классификационных моделей, оптимизируйте их гиперпараметры и выберите модель, которая лучше всего подходит для набора тестовых данных.

Открыть сценарий в реальном времени

Combine Heterogeneous Models into Stacked Ensemble

Объединение разнородных моделей в сложенный ансамбль

Создайте несколько моделей машинного обучения для данного набора обучающих данных, а затем объедините модели, используя метод, называемый укладкой, чтобы повысить точность набора тестовых данных по сравнению с точностью отдельных моделей.

Открыть сценарий в реальном времени