В этом примере показано, как построить ансамбли классификаторов в приложении Classification Learner. Классификаторы ансамблей объединяют результаты многих слабых учеников в один высококачественный предиктор ансамбля. Качества зависят от выбора алгоритма, но классификаторы ансамблей, как правило, медленно подходят, потому что им часто требуется много учеников.
В MATLAB ® загрузите fisheriris и определите некоторые переменные из набора данных для использования в классификации.
fishertable = readtable('fisheriris.csv');
На вкладке Приложения в группе Машинное обучение и глубокое обучение щелкните Классификатор.
На вкладке «Классификатор» в разделе «Файл» выберите «Создать сеанс» > «Из рабочей области».
В диалоговом окне Создать сессию из рабочей области (New Session from Workspace) выберите таблицу fishertable из списка «Переменная набора данных» (при необходимости). Обратите внимание, что приложение выбрало переменные ответа и предиктора в зависимости от их типа данных. Длина и ширина лепестка и чашелистика являются предикторами. Виды - это ответ, который вы хотите классифицировать. В этом примере не изменяйте выбранные значения.
Щелкните Начать сеанс (Start Session).
Classification Learner создает график рассеяния данных.
Используйте график рассеяния, чтобы выяснить, какие переменные полезны для прогнозирования ответа. Выберите различные переменные в элементах управления по осям X и Y для визуализации распределения видов и измерений. Обратите внимание, какие переменные наиболее четко разделяют цвета видов.
Чтобы создать набор моделей ансамблей, на вкладке Ученик по классификации (Classification Learner) в разделе Тип модели (Model Type) щелкните стрелку вниз, чтобы развернуть список классификаторов, а затем в разделе Классификаторы ансамблей (Ensemble Classifiers) щелкните Все ансамбли (All Ensembles).
В разделе Обучение щелкните Обучение. 
Совет
При наличии Toolbox™ параллельных вычислений можно одновременно обучить все модели (все ансамбли), нажав кнопку Использовать параллельные (Use Parallel) в разделе Обучение (Training), прежде чем нажать кнопку Обучить (Train). После нажатия кнопки Обучить открывается диалоговое окно Открытие параллельного пула, которое остается открытым, пока приложение открывает параллельный пул работников. В течение этого времени взаимодействие с программным обеспечением невозможно. После открытия пула приложение одновременно обучает модели.
Программа Classification Learner обучает одному из всех неоптимизируемых вариантов классификации ансамбля в галерее и выделяет наилучший балл. Приложение отображает в рамке оценку точности (валидации) лучшей модели.
Выберите модель на панели Модели (Models), чтобы просмотреть результаты. Изучите график рассеяния для обучаемой модели. Неправильно классифицированные точки отображаются как X.
Чтобы проверить точность прогнозов в каждом классе, на вкладке «Ученик по классификации» в разделе «Графики» щелкните «Матрица путаницы» и выберите «Данные проверки». Просмотр матрицы истинного класса и прогнозируемых результатов класса.
Выберите другие модели на панели Модели (Models) для сравнения.
Выберите лучшую модель (лучший балл выделен в поле Точность (проверка)). Чтобы улучшить модель, попробуйте включить в нее различные элементы. Узнайте, можно ли улучшить модель, удалив элементы с низкой прогнозируемой мощностью.
На вкладке «Классификатор» в разделе «Элементы» выберите «Выбор элементов». В диалоговом окне Выбор элемента (Feature Selection) укажите предикторы, которые необходимо удалить из модели, и нажмите кнопку Обучить (Train), чтобы обучить новую модель с помощью новых опций. Сравните результаты между классификаторами на панели Модели (Models).
Чтобы исследовать элементы для включения или исключения, используйте графики рассеяния и параллельных координат. На вкладке «Классификатор» в разделе «Графики» выберите «Параллельные координаты».
Выберите лучшую модель на панели Модели (Models). Чтобы попытаться улучшить модель, попробуйте изменить настройки. На вкладке «Классификатор» в разделе «Тип модели» нажмите кнопку «Дополнительно». Попробуйте изменить настройку, а затем обучить новую модель, нажав кнопку Обучить (Train).
Сведения о настройках и сильных сторонах различных типов моделей ансамбля см. в разделе Классификаторы ансамблей.
Чтобы экспортировать обученную модель в рабочее пространство, выберите вкладку Ученик по классификации (Classification Learner) и нажмите кнопку Экспортировать модель (Export model). См. раздел Экспорт модели классификации для прогнозирования новых данных.
Чтобы проверить код для обучения этому классификатору, щелкните Создать функцию.
Используйте тот же рабочий процесс для оценки и сравнения других типов классификаторов, которые можно обучить в Classification Learner.
Чтобы попробовать все неоптимизуемые стили модели классификатора, доступные для набора данных:
Щелкните стрелку справа в разделе Тип модели (Model Type), чтобы развернуть список классификаторов.
Щелкните Все (All), затем щелкните Поезд (Train).
Сведения о других типах классификаторов см. в разделе Модели классификации поездов в приложении Classification Learner App.