Regression Learner

Обучите регрессионные модели прогнозировать данные с помощью машинного обучения с учителем

Описание

Приложение Regression Learner обучает регрессионные модели прогнозировать данные. Используя это приложение, вы можете исследовать свои данные, выбирать функции, задавать схемы валидации, обучать модели и оценивать результаты. Можно выполнить автоматическое обучение для поиска наилучшего типа регрессионой модели, включая линейные регрессионые модели, регрессионые деревья, регрессионые модели Гауссова процесса, машины опорных векторов, ансамбли регрессионых деревьев и регрессионые модели нейронной сети.

Выполните машинное обучение с учителем путем предоставления имеющегося набора наблюдений входных данных (предикторов) и имеющихся откликов. Используйте наблюдения для обучения модели, которая генерирует предсказанные отклики для новых входных данных. Чтобы использовать модель с новыми данными или узнать о программной регрессии, можно экспортировать модель в рабочую область или сгенерировать MATLAB^® код для воссоздания обученной модели.

Еще

Требуемые продукты

MATLAB
Statistics and Machine Learning Toolbox™

Примечание. Когда вы используете Regression 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).

Откройте приложение Regression Learner

MATLAB Toolstrip: На вкладке Apps, в разделе Machine Learning, щелкните значок приложения.
Командная строка MATLAB: Ввод regressionLearner.

Примеры

Программное использование

расширить все

`regressionLearner`

regressionLearner открывает приложение Regression Learner или приносит особое внимание в приложение, если оно уже открыто.

`regressionLearner(Tbl,ResponseVarName)`

regressionLearner(Tbl,ResponseVarName) открывает приложение Regression 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 в Tbl который содержит значения отклика. Остальные переменные в Tbl являются переменными предиктора.

`regressionLearner(Tbl,Y)`

regressionLearner(Tbl,Y) открывает приложение Regression Learner и заполняет диалоговое окно New Session from Arguments переменными предиктора в таблице Tbl и значений отклика в числовом векторе Y.

`regressionLearner(X,Y)`

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

`regressionLearner(___,Name,Value)`

regressionLearner(___,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.