Документация

В MATLAB^® Командное окно, загрузите ionosphere и составьте таблицу, содержащую данные. Разделите таблицу на обучающие и тестовые наборы.

load ionosphere
tbl = array2table(X);
tbl.Y = Y;

rng('default') % For reproducibility of the data split
partition = cvpartition(Y,'Holdout',0.15);
idxTrain = training(partition); % Indices for the training set
tblTrain = tbl(idxTrain,:);
tblTest = tbl(~idxTrain,:);

Откройте Classification Learner. Щелкните вкладку Apps, а затем щелкните стреле справа от раздела Apps, чтобы открыть галерею Apps. В группе Machine Learning and Deep Learning нажмите Classification Learner.

На вкладке Classification Learner, в разделе File, нажмите New Session и выберите From Workspace.

В диалоговом окне «Новый сеанс из рабочей области» выберите tblTrain таблица из списка Data Set Variable.

Как показано в диалоговом окне, приложение выбирает переменные отклика и предиктора. Переменная отклика по умолчанию Y. Чтобы защитить от сверхподбора кривой, опция валидации по умолчанию является 5-кратной перекрестной валидацией. В данном примере не изменяйте настройки по умолчанию.

Чтобы принять опции по умолчанию и продолжить, нажмите Start Session.

Обучите все предустановленные модели. На вкладке Classification Learner, в разделе Model Type, щелкните стреле, чтобы открыть галерею. В группе Get Started нажмите All. В Training разделе нажмите Train. Приложение обучает один из каждого предустановленного типа модели и отображает модели на панели Models.

Отсортируйте обученные модели на основе точности валидации. На панели Models откройте список Sort by и выберите Accuracy (Validation).

На панели Models щелкните значки звезды рядом с тремя моделями с самой высокой точностью валидации. Приложение выделяет самую высокую точность валидации, изложив ее в поле. В этом примере обученная модель Medium Gaussian SVM имеет самую высокую точность валидации.

Приложение отображает график поля точек ionosphere данные. Правильно классифицированные точки отмечены O, а неправильно классифицированные точки отмечены X. На панели Models слева показана точность валидации для каждой модели.

Проверьте эффективность тестового набора наиболее эффективных моделей. Начните с импорта тестовых данных в приложение.

На вкладке Classification Learner, в разделе Testing, нажмите Test Data и выберите From Workspace.

В диалоговом окне Import Test Data выберите tblTest таблица из списка Test Data Set Variable.

Как показано в диалоговом окне, приложение идентифицирует переменные отклика и предиктора.

Нажмите Import.

Вычислите точность лучших предустановленных моделей на tblTest данные. Для удобства вычислите точность тестового набора сразу для всех моделей. На вкладке Classification Learner, в разделе Testing, нажмите Test All и выберите Test All. Приложение вычисляет эффективность тестового набора модели, обученной на полном наборе данных, включая данные обучения и валидации.

Отсортируйте модели на основе точности тестового набора. На панели Models откройте список Sort by и выберите Accuracy (Test). Приложение все еще очерчивает метрику для модели с самой высокой точностью валидации, несмотря на отображение точности теста.

Визуально проверьте эффективность тестового набора моделей. На вкладке Classification Learner, в разделе Plots, нажмите Confusion Matrix и выберите Test Data. Можно переключаться между моделями, чтобы сравнить их эффективность.

В этом примере обученная Medium Gaussian SVM остается одной из наиболее эффективных моделей на данных тестового набора.

Сравните валидацию и точность тестирования для обученной модели Medium Gaussian SVM. На панели Current Model Summary сравните значение Accuracy (Validation) под Training Results со значением Accuracy (Test) под Test Results. В этом примере два значения близки, что указывает на то, что точность валидации является хорошей оценкой точности теста для этой модели.