Обучите классификаторы дискриминантного анализа с помощью приложения Classification Learner

В этом примере показано, как создать классификаторы дискриминантного анализа в приложении Classification Learner, используя fisheriris набор данных. Вы можете использовать дискриминантный анализ с двумя или несколькими классами в Classification Learner.

  1. В MATLAB®, загрузите fisheriris набор данных.

    fishertable = readtable('fisheriris.csv');
  2. На вкладке Apps, в группе Machine Learning and Deep Learning, нажмите Classification Learner.

  3. На вкладке Classification Learner, в разделе File, нажмите New Session > From Workspace.

    Classification learner tab

    В диалоговом окне Новый сеанс из рабочей области выберите таблицу fishertable из Data Set Variable списка (при необходимости). Заметьте, что приложение выбрало переменные отклика и предиктора на основе их типа данных. Длина и ширина лепестка и сепаля являются предикторами, а виды - это реакция, которую вы хотите классифицировать. В данном примере не изменяйте выбор.

  4. Нажмите Start Session.

    Classification Learner создает график поля точек данных.

  5. Используйте график поля точек, чтобы визуализировать, какие переменные полезны для предсказания отклика. Выберите различные переменные в элементах управления осями X и ось Y Наблюдайте, какие переменные разделяют классы наиболее четко.

  6. Чтобы обучить оба неоптимизируемых классификатора дискриминантного анализа, на вкладке Classification Learner, в разделе Model Type, щелкните стреле вниз, чтобы развернуть список классификаторов, и под Discriminant Analysis, нажмите All Discriminants.

    Затем нажмите Train.

    Совет

    Если у вас есть Parallel Computing Toolbox™, можно обучить все модели (All Discriminants) одновременно, нажав кнопку Use Parallel в разделе Training перед нажатием Train. После нажатия кнопки Train открывается диалоговое окно Открытие параллельного пула, которое остается открытым, пока приложение открывает параллельный пул работников. В течение этого времени вы не можете взаимодействовать с программным обеспечением. После открытия пула приложение обучает модели одновременно.

    Classification Learner обучает один из каждой опции классификации в галерее, линейных и квадратичных дискриминантов, и подсвечивает лучший счет. Приложение обрисовывает в кубе Accuracy (Validation) счет лучшей модели.

    Classification learner interface. The Models pane is on the left. Accuracy for each model is listed in the Models pane.

  7. Выберите модель на панели Models, чтобы просмотреть результаты. Исследуйте график поля точек для обученной модели и попробуйте построить график различных предикторов. Неправильно классифицированные точки показаны как X.

  8. Чтобы проверить точность предсказаний в каждом классе, на вкладке Classification Learner, в разделе Plots, нажмите Confusion Matrix и выберите Validation Data. Просмотрите матрицу результатов истинного класса и предсказанного класса.

  9. Выберите другую модель на панели Models для сравнения.

    Для получения информации о сильных сторонах различных типов модели, смотрите Дискриминантный анализ.

  10. Выберите лучшую модель на панели Models (лучший счет подсвечивается в поле). Чтобы улучшить модель, попробуйте включить различные функции в модель. Посмотрите, можно ли улучшить модель, удалив функции с низкой прогностической степенью.

    На вкладке Classification Learner, в разделе Features, нажмите Feature Selection. В диалоговом окне Выбора признаков задайте предикторы, которые будут удалены из модели, и нажатия кнопки Train, чтобы обучить новую модель с помощью новых опций. Сравните результаты между классификаторами на панели Models.

  11. Чтобы исследовать функции, которые нужно включить или исключить, используйте график параллельных координат. На вкладке Classification Learner, в разделе Plots, выберите Parallel Coordinates.

  12. Выберите лучшую модель на панели Models. Чтобы попытаться улучшить модель дальше, попробуйте изменить настройки классификатора. На вкладке Classification Learner, в разделе Model Type, нажмите Advanced. Попробуйте изменить настройку, затем обучите новую модель, нажав Train. Для получения информации о настройках смотрите Дискриминантный анализ.

  13. Чтобы экспортировать обученную модель в рабочую область, выберите вкладку Classification Learner и нажмите Export model. Смотрите Экспорт Классификационной модели для предсказания новых данных.

  14. Чтобы изучить код для обучения этого классификатора, нажмите Generate Function.

Используйте тот же рабочий процесс для анализа и сравнения других типов классификаторов, которые можно обучить в Classification Learner.

Чтобы попробовать все наборы моделей неоптимизируемых классификаторов, доступные для вашего набора данных:

  1. Щелкните стреле в крайнем правом углу раздела Model Type, чтобы развернуть список классификаторов.

  2. Нажмите All, затем нажмите Train.

    Model type dropdown menu

Чтобы узнать о других типах классификаторов, см. Train классификационных моделей» в приложении Classification Learner.

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте