Обучите машины опорных векторов, используя приложение Classification Learner

В этом примере показов, как создать машина опорных векторов (SVM) классификаторы в приложении Classification Learner, используя ionosphere набор данных, содержащий два класса. Можно использовать машину опорных векторов (SVM) с двумя или несколькими классами в Classification Learner. SVM классифицирует данные, находя лучшую гиперплоскость, которая отделяет все точки данных одного класса от точек другого класса. В ionosphere данные, переменная отклика категориальна с двумя уровнями: g представляет хорошие радарные возвраты, и b представляет плохие радиолокационные возвраты.

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

    load ionosphere
    ionosphere = array2table(X);
    ionosphere.Group = Y;

    Также можно загрузить ionosphere набор данных и сохраните X и Y данные как отдельные переменные.

  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.

    В диалоговом окне Новый сеанс из рабочей области выберите таблицу ionosphere из списка Data Set Variable. Заметьте, что приложение выбрало переменные отклика и предиктора на основе их типа данных. Переменная отклика Group имеет два уровня. Все другие переменные являются предикторами.

    Кроме того, если вы сохранили данные предиктора X и переменная отклика Y как две отдельные переменные можно сначала выбрать матрицу X из списка Data Set Variable. Затем, в разделе Response, нажмите кнопку From workspace опция и выберите Y из списка. The Y переменная та же, что и Group переменная.

  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 цвета классов наиболее четко.

  6. Чтобы создать выбор моделей SVM, на вкладке Classification Learner, в разделе Model Type, щелкните стреле вниз, чтобы развернуть список классификаторов, и под Support Vector Machines нажмите All SVMs.

    Затем нажмите Train.

    Совет

    Если у вас есть Parallel Computing Toolbox™, можно обучить все модели (All SVMs) 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 каждого неоптимизируемой опции классификации SVM в галерее и подсвечивает лучший счет. Приложение обрисовывает в кубе Accuracy (Validation) счет лучшей модели.

  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 другие модели на панели Models для сравнения.

  10. 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 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 SVM. На вкладке Classification Learner, в разделе Model Type, нажмите Advanced. Попробуйте изменить настройку, затем обучите новую модель, нажав Train. Дополнительные сведения о настройках см. в разделе Машинах опорных векторов.

  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. Для моделей SVM, смотрите также Сгенерируйте код С для предсказания.

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.

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

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте