Документация

В MATLAB^®, загрузите fisheriris и задайте некоторые переменные из набора данных, которые будут использоваться для классификации.

fishertable = readtable('fisheriris.csv');

На вкладке Apps, в группе Machine Learning and Deep Learning, нажмите Classification Learner.

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

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.

Нажмите Start Session.

Приложение создает график поля точек данных.

Используйте график поля точек, чтобы выяснить, какие переменные полезны для предсказания отклика. Чтобы визуализировать распределение видов и измерений, выберите различные опции в меню Variable on X axis и Variable on Y axis. Наблюдайте, какие переменные разделяют цвета видов наиболее четко.

Чтобы создать выбор ближайших соседних моделей, на вкладке Classification Learner, в крайнем правом углу раздела Model Type, щелкните стреле, чтобы развернуть список классификаторов, и под Nearest Neighbor Classifiers нажмите All KNNs.

В Training разделе нажмите Train.

Classification Learner обучает один из всех неоптимизируемых ближайших соседних классификационных опций в галерее и выделяет лучшие счета. Приложение обрисовывает в кубе Accuracy (Validation) счет лучшей модели.

Выберите модель на панели Models, чтобы просмотреть результаты. Исследуйте график поля точек для обученной модели. X указывает на неправильно классифицированную точку.

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.

Выберите другие модели на панели Models для сравнения.

Выберите лучшую модель (лучший счет подсвечивается в кубе). 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 выберите предикторы для удаления из модели и нажатия кнопки Train, чтобы обучить новую модель с помощью новых опций. Сравните результаты между классификаторами на панели Models.

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

Выберите лучшую модель на панели Models. Чтобы попытаться улучшить модель дальше, попробуйте изменить настройки. На вкладке Classification Learner, в разделе Model Type, нажмите Advanced. Попробуйте изменить настройку, а затем обучите новую модель, нажав Train. Для получения информации о настройках и сильных сторонах различных ближайших соседних типов модели, см. «Классификаторы ближайших соседей».

Чтобы экспортировать обученную модель в рабочую область, в Export разделе панели инструментов нажмите Export model. Смотрите Экспорт Классификационной модели для предсказания новых данных.

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

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

Нажмите All, затем нажмите Train.