В этом примере показано, как создать и сравнить классификаторы нейронной сети в приложении Classification Learner, и экспорт обучил модели к рабочей области делать предсказания для новых данных.
В MATLAB® Командное окно, загрузите fisheriris набор данных, и составляет таблицу от переменных в наборе данных, чтобы использовать для классификации.
fishertable = readtable('fisheriris.csv');
Кликните по вкладке Apps, и затем кликните по стреле Show more на праве открыть галерею Apps. В группе Machine Learning and Deep Learning нажмите Classification Learner.
На вкладке Classification Learner, в разделе File, нажимают New Session и выбирают From Workspace.
В диалоговом окне New Session from Workspace выберите таблицу fishertable из списка Data Set Variable (при необходимости). Заметьте, что приложение выбрало ответ и переменные предикторы на основе их типов данных. Лепесток и длина чашелистика и ширина являются предикторами, и разновидность является ответом, который вы хотите классифицировать. В данном примере не изменяйте выборы.
Чтобы принять схему валидации по умолчанию и продолжиться, нажмите Start Session. Опция валидации по умолчанию является 5-кратной перекрестной проверкой, чтобы защитить от сверхподбора кривой.
Classification Learner создает график рассеивания данных.
Используйте график рассеивания, чтобы заняться расследованиями, какие переменные полезны для предсказания ответа. Выберите различные варианты в X и списках Y под Predictors, чтобы визуализировать распределение разновидностей и измерения. Отметьте, какие переменные разделяют цвета разновидностей наиболее ясно.
Создайте выбор моделей нейронной сети. На вкладке Classification Learner, в разделе Model Type, кликают по стреле, чтобы открыть галерею. В группе Neural Network Classifiers нажмите All Neural Networks.
В разделе Training нажмите Train. Classification Learner обучает одну из каждой опции классификации нейронных сетей в галерее. В панели Models приложение обрисовывает в общих чертах счет Accuracy (Validation) лучшей модели. Classification Learner также отображает матрицу беспорядка валидации для первой модели нейронной сети (Narrow Neural Network).
Совет
Если у вас есть Parallel Computing Toolbox™, можно обучить все модели (All Neural Networks) одновременно путем нажатия кнопки Use Parallel в разделе Training перед нажатием Train. После того, как вы нажимаете Train, диалоговое окно Opening Parallel Pool открывается и остается открытым, в то время как приложение открывает параллельный пул рабочих. В это время вы не можете взаимодействовать с программным обеспечением. После того, как пул открывается, приложение обучает модели одновременно.
Выберите модель в панели Models, чтобы просмотреть результаты. Например, выберите модель Narrow Neural Network (модель 1.1). 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. Правильно классифицированные точки отмечены O, и неправильно классифицировали точки, отмечены X.
Примечание
Валидация вводит некоторую случайность в результаты. Ваши результаты проверки допустимости модели могут варьироваться от результатов, показанных в этом примере.
Смотрите 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 другие модели в панели Models, откройте матрицу беспорядка валидации для каждой из моделей, и затем сравните результаты.
Выберите лучшую модель в панели Models (лучший счет подсвечен в поле Accuracy (Validation)). 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 рассеяние и найдите что-либо подобное графикам координат. На вкладке Classification Learner, в разделе Plots, кликают по стреле, чтобы открыть галерею и нажать Parallel Coordinates в группе Validation Results.
Выберите лучшую модель в панели Models. Чтобы попытаться улучшить модель далее, измените ее расширенные настройки. На вкладке Classification Learner, в разделе Model Type, нажимают Advanced и выбирают Advanced. В Усовершенствованном Окне параметров Нейронной сети попытайтесь изменить некоторые настройки, как размеры полносвязных слоев или силы регуляризации, и нажмите OK. Обучите новую модель путем нажатия на Train в разделе Training.
Чтобы узнать больше о настройках модели нейронной сети, смотрите Классификаторы Нейронной сети.
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 в разделе Export.
Совет
Используйте тот же рабочий процесс, чтобы оценить и сравнить другие типы классификатора, которые можно обучить в Classification Learner.
Обучать все nonoptimizable предварительные установки модели классификатора, доступные для вашего набора данных:
На вкладке Classification Learner, в разделе Model Type, кликают по стреле, чтобы открыть галерею моделей.
В группе Get Started нажмите All. Затем в разделе Training нажмите Train.
Чтобы узнать о других типах классификатора, смотрите, Обучают Модели Классификации в Приложении Classification Learner.