Classification Learner

Обучите модели классифицировать данные с помощью машинного обучения с учителем

Описание

Приложение Classification Learner обучает модели классификации данных. Используя это приложение, вы можете исследовать машинное обучение с учителем с помощью различных классификаторов. Можно исследовать свои данные, выбирать функции, задавать схемы валидации, обучать модели и оценивать результаты. Можно выполнить автоматическое обучение для поиска лучшего типа классификационной модели, включая деревья решений, дискриминантный анализ, машины опорных векторов, логистическую регрессию, ближайших соседей, наивный Байес, ансамбль и классификацию нейронных сетей.

Можно выполнить машинное обучение с учителем путем предоставления известного набора входных данных (наблюдения или примеры) и имеющихся откликов на данные (например, метки или классы). Вы используете данные для обучения модели, которая генерирует предсказания для ответа на новые данные. Чтобы использовать модель с новыми данными или узнать о программной классификации, можно экспортировать модель в рабочую область или сгенерировать MATLAB® код для воссоздания обученной модели.

Совет

Чтобы начать, в списке Classifier попробуйте All Quick-To-Train, чтобы обучить выбор моделей. См. «Автоматическое обучение классификаторов».

Требуемые продукты

  • MATLAB

  • Statistics and Machine Learning Toolbox™

Примечание. Когда вы используете Classification Learner в Online™ MATLAB, можно обучать модели параллельно с помощью кластера Cloud Center (требует Parallel Computing Toolbox™). Для получения дополнительной информации смотрите Использовать Parallel Computing Toolbox с кластером Cloud Center в MATLAB Online (Parallel Computing Toolbox).

Classification Learner app

Откройте приложение Classification Learner

  • MATLAB Toolstrip: На вкладке Apps, в разделе Machine Learning, щелкните значок приложения.

  • Командная строка MATLAB: Ввод classificationLearner.

Программное использование

расширить все

classificationLearner открывает приложение Classification Learner или приносит особое внимание в приложение, если оно уже открыто.

classificationLearner(Tbl,ResponseVarName) открывает приложение Classification Learner и заполняет диалоговое окно New Session from Arguments данными, содержащимися в таблице Tbl. The ResponseVarName аргумент, заданный как вектор символов или строковый скаляр, является именем переменной отклика в Tbl который содержит метки классов. Остальные переменные в Tbl являются переменными предиктора.

classificationLearner(Tbl,Y) открывает приложение Classification Learner и заполняет диалоговое окно New Session from Arguments переменными предиктора в таблице Tbl и метки классов в векторе Y. Можно задать ответ Y как категориальный массив, символьный массив, строковые массивы, логический вектор, числовой вектор или массив ячеек из векторов символов.

classificationLearner(X,Y) открывает приложение Classification Learner и заполняет диалоговое окно New Session from Arguments матрицей n -by p predictor X и метки классов n в векторе Y. Каждая строка X соответствует одному наблюдению, и каждый столбец соответствует одной переменной. Длина Y и количество строк X должно быть равным.

classificationLearner(___,Name,Value) задает опции перекрестной проверки, используя один или несколько из следующих аргументов в дополнение к любой комбинации входных аргументов в предыдущих синтаксисах. Для примера можно задать 'KFold',10 для использования 10-кратной схемы перекрестной проверки.

  • 'CrossVal', заданный как 'on' (по умолчанию) или 'off', - флаг перекрестной проверки. Если вы задаете 'on', затем приложение использует 5-кратную перекрестную валидацию. Если вы задаете 'off', затем приложение использует валидацию реституции.

    Можно переопределить 'CrossVal' настройка перекрестной валидации при помощи 'Holdout' или 'KFold' аргумент имя-значение. Одновременно можно задать только один из этих аргументов.

  • 'Holdout', заданный как числовой скаляр в области значений [0.05,0.5], является частью данных, используемых для валидации удержания. Приложение использует оставшиеся данные для обучения.

  • 'KFold', заданное как положительное целое число в области значений [2,50], - количество складок, используемых для перекрестной проверки.

См. также

Приложения

Функции

Введенный в R2015a