Выберите среди различных алгоритмов, чтобы обучить и подтвердить модели классификации для двоичных или многоклассовых задач. После обучения нескольких моделей сравните их ошибки валидации один за другим, а затем выберите лучшую модель. Чтобы помочь вам решить, какой алгоритм использовать, смотрите Обучите классификационные модели в Classification Learner App.
Этот график потока показывает общий рабочий процесс для обучения классификационных моделей или классификаторов в приложении Classification Learner.
| Classification Learner | Обучите модели классифицировать данные с помощью машинного обучения с учителем |
Обучите классификационные модели в приложении Classification Learner
Рабочий процесс для обучения, сравнения и улучшения классификационных моделей, включая автоматизированное, ручное и параллельное обучение.
Выберите данные и валидация для задачи классификации
Импортируйте данные в Classification Learner из рабочей области или файлов, найдите примеры наборов данных и выберите опции перекрестной валидации или удержания.
В Classification Learner автоматически обучите выбор моделей, или сравните и настройте опции в дереве решений, дискриминантном анализе, логистической регрессии, наивном Байесе, машине опорных векторов, ближайшем соседе, ансамбле и моделях нейронной сети.
Оценка эффективности классификатора в Classification Learner
Сравните счета точности модели, визуализируйте результаты путем построения предсказаний классов и проверяйте эффективность по классам в Матрице Неточностей.
Экспорт классификационной модели для предсказания новых данных
После обучения в Classification Learner экспортируйте модели в рабочую область, сгенерируйте MATLAB® код, или сгенерируйте код С для предсказания.
Обучите деревья решений с помощью приложения Classification Learner
Создайте и сравните деревья классификации и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Обучите классификаторы дискриминантного анализа с помощью приложения Classification Learner
Создайте и сравните классификаторы дискриминантного анализа и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Обучите классификаторы логистических регрессий, используя приложение Classification Learner
Создайте и сравните классификаторы логистических регрессий и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Обучите наивные классификаторы Байеса с помощью приложения Classification Learner
Создайте и сравните наивные классификаторы Байеса и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Обучите машины опорных векторов, используя приложение Classification Learner
Создайте и сравните классификаторы машин опорных векторов (SVM) и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Обучите ближайших соседних классификаторов с помощью приложения Classification Learner
Создайте и сравните ближайшие соседние классификаторы и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Обучите классификаторы ансамблей, используя приложение Classification Learner
Создайте и сравните классификаторы ансамблей, и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Обучите классификаторы нейронных сетей с помощью приложения Classification Learner
Создайте и сравните классификаторы нейронных сетей и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Выбор признаков и преобразование функций с помощью приложения Classification Learner
Идентифицируйте полезные предикторы с помощью графиков, вручную выбирайте функции для включения и преобразуйте функции с помощью PCA в Classification Learner.
Неправильная классификация затрат в приложении Classification Learner
Перед обучением любых классификационных моделей задайте затраты, связанные с неправильной классификацией наблюдений одного класса в другой.
Создайте классификаторы после определения затрат на неправильную классификацию и сравните точность и общую стоимость неправильной классификации моделей.
Гипероптимизация параметров управления в приложении Classification Learner
Автоматически настройте гиперпараметры классификационных моделей с помощью оптимизации гипероптимизации параметров управления.
Обучите модель машины опорных векторов классификации (SVM) с оптимизированными гиперпараметрами.
Импортируйте тестовый набор в Classification Learner и проверьте метрики тестового набора для наиболее эффективных обученных моделей.
Экспорт графиков в приложение Classification Learner
Экспорт и настройка графиков, созданных до и после обучения.
Генерация кода и Classification Learner
Обучите классификационную модель с помощью приложения Classification Learner и сгенерируйте код C/C + + для предсказания.
Генерация кода для модели логистической регрессии, обученной в Classification Learner
В этом примере показано, как обучить логистическую регрессионую модель с помощью Classification Learner, а затем сгенерировать код С, который предсказывает метки с помощью экспортированной классификационной модели.
