В этом примере показано, как создать вспомогательные векторные автоматические классификаторы (SVM) в приложении Classification Learner с помощью ionosphere набор данных, содержащий два класса. Можно использовать вспомогательную векторную машину (SVM) с двумя или более классами в Classification Learner. SVM классифицирует данные, находя лучшую гиперплоскость, которая отделяет все точки данных одного класса от точек данных другого класса. В ionosphere данные, переменная ответа категорична с двумя уровнями: g представляет хорошую радиолокационную отдачу, и b представляет плохие результаты радара.
В MATLAB ® загрузите ionosphere и определите некоторые переменные из набора данных для использования в классификации.
load ionosphere
ionosphere = array2table(X);
ionosphere.Group = Y;Кроме того, можно загрузить ionosphere набор данных и сохранить X и Y данные как отдельные переменные.
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 ionosphere из списка «Переменная набора данных». Обратите внимание, что приложение выбрало переменные ответа и предиктора в зависимости от их типа данных. Переменная ответа Group имеет два уровня. Все остальные переменные являются предикторами.
Или, если вы сохранили данные предиктора X и переменная ответа Y в качестве двух отдельных переменных можно сначала выбрать матрицу X из списка «Переменная набора данных». Затем в разделе Ответ (Response) нажмите кнопку Из рабочей области (From workspace) и выберите Y из списка. Y переменная совпадает с переменной Group переменная.
Щелкните Начать сеанс (Start Session).
Classification Learner создает график рассеяния данных.
Используйте график рассеяния для визуализации переменных, которые полезны для прогнозирования отклика. Выберите различные переменные в элементах управления по осям X и Y. Обратите внимание, какие переменные наиболее четко разделяют цвета класса.
Чтобы создать набор моделей SVM, на вкладке Ученик по классификации (Classification Learner) в разделе Тип модели (Model Type) щелкните стрелку вниз, чтобы развернуть список классификаторов, и в разделе Поддерживаемые векторные машины (Support Vector Machines) щелкните Все SVM (All SVM).
Затем щелкните Поезд (Train). 
Совет
При наличии Toolbox™ параллельных вычислений можно одновременно обучить все модели (все SVM), нажав кнопку Использовать параллельные (Use Parallel) в разделе Обучение (Training), прежде чем нажать кнопку Поезд (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.
Модуль Classification Learner обучает одну из неоптимизируемых опций классификации SVM 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 обученной модели и попробуйте построить различные предикторы. 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 рамке). 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 график 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 SVM. На вкладке «Классификатор» в разделе «Тип модели» нажмите кнопку «Дополнительно». Попробуйте изменить настройку, а затем обучить новую модель, нажав кнопку Обучить (Train). Дополнительные сведения о параметрах см. в разделе Поддержка векторных машин.
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. Для моделей SVM см. также раздел Генерация кода C для прогнозирования.
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.