Приложение Classification Learner
Примите решение среди различных алгоритмов обучить и подтвердить модели классификации для проблем мультикласса или двоичного файла. После учебных многоуровневых моделей сравните их ошибки валидации рядом друг с другом, и затем выберите лучшую модель. Чтобы помочь вам решить который алгоритм использовать, смотрите, Обучают Модели Классификации в Приложении Classification Learner.
Эта блок-схема показывает общий рабочий процесс для учебных моделей классификации или классификаторы, в приложении Classification Learner.
Приложения
| Classification Learner | Обучите модели классифицировать данные с помощью машинного обучения с учителем |
Темы
Общий рабочий процесс
Обучите модели классификации в приложении Classification Learner
Рабочий процесс для обучения, выдерживая сравнение и улучшая модели классификации, включая автоматизированное, ручное, и параллельное обучение.
Выберите Data и Validation for Classification Problem
Импортируйте данные в Classification Learner из рабочей области или файлов, найдите наборы данных в качестве примера и выберите перекрестную проверку или опции валидации затяжки.
В Classification Learner автоматически обучите выбор моделей, или сравните и настройте опции в дереве решений, дискриминантном анализе, логистической регрессии, наивном Бейесе, машине опорных векторов, самом близком соседе, приближении ядра, ансамбле и моделях нейронной сети.
Оцените эффективность классификатора в Classification Learner
Сравните баллы точности модели, визуализируйте результаты путем графического вывода предсказаний класса и проверяйте эффективность в классе в Матрице Беспорядка.
Экспортируйте модель классификации, чтобы предсказать новые данные
После обучения в Classification Learner, моделях экспорта к рабочей области, генерируют MATLAB® код, сгенерируйте код С для предсказания или экспортируйте модели для развертывания на MATLAB Production Server™.
Обучите деревья решений Используя приложение Classification Learner
Создайте и сравните деревья классификации и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Обучите классификаторы дискриминантного анализа Используя приложение Classification Learner
Создайте и сравните классификаторы дискриминантного анализа и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Обучите классификаторы логистической регрессии Используя приложение Classification Learner
Создайте и сравните классификаторы логистической регрессии и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Обучите наивные классификаторы Байеса Используя приложение Classification Learner
Создайте и сравните наивные классификаторы Байеса и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Обучите машины опорных векторов Используя приложение Classification Learner
Создайте и сравните классификаторы машины опорных векторов (SVM) и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Обучите самые близкие соседние классификаторы Используя приложение Classification Learner
Создайте и сравните самые близкие соседние классификаторы и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Обучите классификаторы приближения ядра Используя приложение Classification Learner
Создайте и сравните классификаторы приближения ядра и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Обучите классификаторы ансамбля Используя приложение Classification Learner
Создайте и сравните классификаторы ансамбля и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Обучите классификаторы нейронной сети Используя приложение Classification Learner
Создайте и сравните классификаторы нейронной сети и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Индивидуально настраиваемый рабочий процесс
Выбор признаков и преобразование функции Используя приложение Classification Learner
Идентифицируйте полезные предикторы с помощью графиков, вручную избранные функции, чтобы включать, и преобразовать функции с помощью PCA в Classification Learner.
Затраты Misclassification в приложении Classification Learner
Перед обучением любые модели классификации задайте затраты, сопоставленные с неправильной классификацией наблюдений за одним классом в другого.
Создайте классификаторы после определения misclassification затраты и сравните точность и общее количество misclassification стоимость моделей.
Гипероптимизация параметров управления в приложении Classification Learner
Автоматически настройте гиперпараметры моделей классификации при помощи гипероптимизации параметров управления.
Обучите модель машины опорных векторов (SVM) классификации оптимизированными гиперпараметрами.
Проверяйте эффективность классификатора Используя набор тестов в приложении Classification Learner
Импортируйте набор тестов в Classification Learner и проверяйте, что метрики набора тестов для лучшего выполнения обучили модели.
Экспортируйте графики в приложении Classification Learner
Экспортируйте и настройте графики, созданные до и после обучения.
Генерация кода и приложение Classification Learner
Обучите модель классификации использование приложения Classification Learner и сгенерируйте код C/C++ для предсказания.
Генерация кода для модели логистической регрессии, обученной в Classification Learner
В этом примере показано, как обучить модель логистической регрессии использование Classification Learner, и затем сгенерировать код С, который предсказывает метки с помощью экспортируемой модели классификации.
Разверните модель, обученную в Classification Learner к MATLAB Production Server
Обучите модель в Classification Learner и экспортируйте его для развертывания на MATLAB Production Server.