При построении высококачественной, прогнозирующей классификационной модели важно выбрать правильные функции (или предикторы) и настроить гиперпараметры (параметры модели, которые не оцениваются).
Выбор признаков и настройка гиперпараметра могут привести к нескольким моделям. Можно сравнить k-кратные скорости неправильной классификации, кривые рабочей характеристики приемника (ROC) или матрицы неточностей среди моделей. Или проведите статистический тест, чтобы обнаружить, значительно ли классификационная модель превосходит другую.
Чтобы спроектировать новые возможности перед обучением модели классификации, используйте gencfeatures.
Чтобы создавать и оценивать классификационные модели в интерактивном режиме, используйте приложение Classification Learner.
Чтобы автоматически выбрать модель с настроенными гиперпараметрами, используйте fitcauto. Эта функция пытается выбрать типы классификационных моделей с различными значениями гиперзначений параметров и возвращает окончательную модель, которая, как ожидается, будет хорошо работать с новыми данными. Использовать fitcauto когда вы не уверены, какие типы классификаторов лучше всего соответствуют вашим данным.
Чтобы настроить гиперпараметры конкретной модели, выберите значения гиперзначений параметров и перекрестно проверьте модель, используя эти значения. Например, чтобы настроить модель SVM, выберите набор прямоугольных ограничений и шкал ядра, а затем перекрестно проверьте модель для каждой пары значений. Некоторые функции классификации Statistics and Machine Learning Toolbox™ предлагают автоматическую настройку гиперпараметра через байесовскую оптимизацию, поиск по сетке или случайный поиск. Однако основная функция, используемая для реализации байесовской оптимизации, bayesopt, достаточно гибкий для использования в других приложениях. См. Рабочий процесс Байесовской оптимизации.
Для интерпретации классификационной модели можно использовать lime, shapley, и plotPartialDependence.
| 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.
Оценка эффективности классификатора в Classification Learner
Сравните счета точности модели, визуализируйте результаты путем построения предсказаний классов и проверяйте эффективность по классам в Матрице Неточностей.
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.
Узнайте об алгоритмах выбора признаков и исследуйте функции, доступные для выбора объектов.
Последовательный выбор признаков
В этом разделе описывается последовательный выбор признаков и приводится пример, который выбирает функции последовательно с помощью пользовательского критерия и sequentialfs функция.
Анализ компонентов по соседству (NCA) Выбора признаков
Анализ компонента окрестности (NCA) является непараметрическим методом для выбора функций с целью максимизации точности предсказания алгоритмов регрессии и классификации.
Настройте параметр регуляризации, чтобы обнаружить функции, используя NCA для классификации
В этом примере показано, как настроить параметр регуляризации в fscnca использование перекрестной валидации.
Упорядочение классификатора дискриминантного анализа
Создайте более устойчивую и более простую модель путем удаления предикторов, не ставя под угрозу прогнозирующую степень модели.
Выбор функций для классификации высоко-размерных данных
В этом примере показано, как выбрать функции для классификации высоко-размерных данных.
Автоматизированное проектирование функций для классификации
Использовать gencfeatures чтобы спроектировать новые возможности перед обучением классификационной модели. Прежде чем делать предсказания на новые данные, примените те те же преобразования функций к новому набору данных.
Автоматический выбор классификатора с байесовской оптимизацией
Использовать fitcauto чтобы автоматически попробовать выбор типов классификационной модели с различными значениями гиперзначений параметров, учитывая обучающие данные предиктора и отклика.
Рабочий процесс Байесовской оптимизации
Выполните байесовскую оптимизацию с помощью функции аппроксимации или путем вызова bayesopt непосредственно.
Переменные для байесовской оптимизации
Создайте переменные для байесовской оптимизации.
Байесовские целевые функции оптимизации
Создайте целевую функцию для байесовской оптимизации.
Ограничения в байесовской оптимизации
Установите различные типы ограничений для байесовской оптимизации.
Оптимизируйте перекрестно проверенный классификатор SVM с помощью bayesopt
Минимизируйте потери перекрестной валидации с помощью Bayesian Optimization.
Оптимизируйте классификатор SVM Подгонки используя байесовскую оптимизацию
Минимизируйте потери перекрестной валидации с помощью OptimizeParameters Пара "имя-значение" в функции аппроксимации.
Байесовские Функции построения графика оптимизации
Визуально контролируйте байесовскую оптимизацию.
Байесовские выходные функции оптимизации
Отслеживайте байесовскую оптимизацию.
Байесовский алгоритм оптимизации
Осмыслите базовые алгоритмы байесовской оптимизации.
Параллельная байесовская оптимизация
Как байесовская оптимизация работает параллельно.
Интерпретируйте модели машинного обучения
Объясните предсказания модели с помощью lime, shapley, и plotPartialDependence.
Значения Shapley для модели машинного обучения
Вычислите значения Шепли для модели машинного обучения с помощью двух алгоритмов: kernelSHAP и расширения до kernelSHAP.
Реализуйте перекрестную валидацию с помощью параллельных вычислений
Ускорите перекрестную валидацию с помощью параллельных вычислений.
Исследуйте эффективность алгоритма классификации на определенном наборе тестовых данных с помощью приемника кривой рабочей характеристики.
