Документация

В MATLAB^®, загрузите ionosphere набор данных и задает некоторые переменные из набора данных, чтобы использовать для классификации.

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

В качестве альтернативы можно загрузить ionosphere набор данных и сохраняет X и Y данные как отдельные переменные.

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

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

В диалоговом окне New Session from Workspace выберите таблицу ionosphere из списка Data Set Variable. Заметьте, что приложение выбрало Group для переменной отклика и остальных как предикторы. Group имеет два уровня.

В качестве альтернативы, если вы сохранили свои данные о предикторе X и переменная отклика Y как две отдельные переменные, можно сначала выбрать матричный X из списка Data Set Variable. Затем под Response кликните по переключателю From workspace и выберите Y из списка. Y переменная совпадает с Group переменная.

Нажмите Start Session.

Classification Learner создает график рассеивания данных.

Используйте график рассеивания, чтобы визуализировать, какие переменные полезны для предсказания ответа. Выберите различные переменные в средствах управления X-и Осью Y. Наблюдайте, какие переменные разделяют цвета класса наиболее ясно.

Чтобы обучить классификатор логистической регрессии, на вкладке Classification Learner, в разделе Model Type, кликают по стрелке вниз, чтобы расширить список классификаторов, и под Logistic Regression Classifiers, нажать Logistic Regression.

Затем нажмите Train.

Classification Learner обучает модель. Основы приложения в поле счет Accuracy (Validation) лучшей модели (в этом случае, существует только одна модель). Classification Learner также отображает матрицу беспорядка валидации для модели логистической регрессии.

Чтобы просмотреть результаты для модели, смотрите панель Current Model Summary. Панель Current Model Summary отображает метрики Training Results, вычисленные на набор валидации.

Исследуйте график рассеивания на обученную модель. На вкладке Classification Learner, в разделе Plots, кликают по стреле, чтобы открыть галерею, и затем нажать Scatter в группе Validation Results. Попытайтесь строить различные предикторы. Неправильно классифицированные точки показываются X.

Чтобы смотреть точность предсказаний в каждом классе, на вкладке Classification Learner, в разделе Plots, кликают по стреле, чтобы открыть галерею, и затем нажать Confusion Matrix (Validation) в группе Validation Results. Просмотрите матрицу истинного класса и предсказанных результатов класса.

Выберите лучшую модель в панели Models (лучший счет подсвечен в поле). Чтобы улучшить модель, попробуйте включая различные функции в модели. Смотрите, можно ли улучшить модель путем удаления функций с низкой предсказательной силой.

На вкладке Classification Learner, в разделе Features, нажимают Feature Selection. В диалоговом окне Feature Selection задайте предикторы, чтобы удалить из модели и нажать OK. В разделе Training нажмите Train, чтобы обучить новую модель с помощью новых опций. Сравните результаты среди классификаторов в панели Models.

Чтобы исследовать функции, чтобы включать или исключить, используйте параллельный график координат. На вкладке Classification Learner, в разделе Plots, кликают по стреле, чтобы открыть галерею и нажать Parallel Coordinates в группе Validation Results.

Можно экспортировать полную или компактную версию обученной модели к рабочей области. На вкладке Classification Learner, в разделе Export, нажимают Export Model и выбирают Export Model или Export Compact Model. См. Модель Классификации Экспорта, чтобы Предсказать Новые Данные.

Чтобы исследовать код на обучение этот классификатор, нажмите Generate Function.

Кликните по стреле на ультраправом из раздела Model Type, чтобы расширить список классификаторов.

Нажмите All, затем нажмите Train.