이번역페이지는최신내용을담고있지않습니다。최신내용을문으로보려면여기를클릭하십시오。
모델개발과평가
특징선택,특징엔지니어링,모델선,택하이퍼파라미터최적화,교차검증,예측성능평가및분류정확도비교테스트
고품질예측분류모델을개발하는경우적합한특징(또는예측변수)을선택하고하이퍼파라미터(추정되지않은모델모수)를조율해야합니다。
특징선택과하이퍼파라미터조율을통해여러모델이생성될수있습니다。모델간k겹오분류율,中华民国(수신자조작특성)곡선또는혼동행렬을비교할수있습니다。또는,통계검정을수행하여어떠한분류모델이다른모델보다성능이훨씬더뛰어난지여부를파악할수있습니다。
분류모델을훈련시키기전에새로운특징을가공및처리하려면gencfeatures
를사용하십시오。
분류모델을대화형방식으로만들고평가하려면분류학습기앱을사용하십시오。
조정된하이퍼파라미터를가진모델을자동으로선택하려면fitcauto
를사용하십시오。이함수는다양한하이퍼파라미터값으로분류모델유형을선택해보고새데이터에서잘수행될것으로예상되는최종모델을반환합니다。어떤분류기유형이데이터에가장적합한지확신하지못할경우fitcauto
를사용하십시오。
특정모델의하이퍼파라미터를조율하려면하이퍼파라미터값을선택하고이들값을사용하여모델을교차검증하십시오。예를들어,SVM모델을조정하려면상자제약조건과커널스케일의집합을선택하고,값의쌍각각에대해모델을교차검증하십시오。统计和机器学习工具箱™에서제공되는특정분류함수는베이즈최적화,그리드탐색또는임의탐색을통해자동하이퍼파라미터조율기능을제공합니다。베이즈최적화를구현하는메,함수bayesopt
는여러다른응용사례에사용할수있을정도로유연합니다。贝叶斯优化工作流程항목을참조하십시오。
분류모델을해석하려면石灰
,沙普利
또는plotPartialDependence
를사용할수있습니다。
앱
분류학습기 | 머신러닝지도학습을사용하여데이터를분류하도록모델훈련시키기 |
함수
객체
속성
ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
ROCCurve属性 | 受试者工作特征(ROC)曲线的外观和行为 |
도움말항목
분류학습기앱
- 분류학습기앱에서분류모델을훈련시키기
자동화된훈련,수동훈련,병렬훈련등분류모델을훈련시키고비교하고향상시킬수있는워크플로입니다。 - 对分类学习者的分类能力进行可视化和评估
比较模型的准确性分数,通过绘制类预测来可视化结果,并在混淆矩阵中检查每个类的性能。 - 基于分类学习者App的特征选择与特征转换
使用图或特征排序算法识别有用的预测器,选择要包含的特征,并在分类学习者中使用PCA转换特征。
특징 선택
- 特征选择介绍
了解特征选择算法,并探索用于特征选择的函数。 - 连续的特征选择
本主题介绍顺序特征选择,并提供一个使用自定义标准和顺序选择特征的示例sequentialfs
函数。 - 邻域成分分析(NCA)特征选择
邻域分量分析(NCA)是一种非参数特征选择方法,其目标是使回归和分类算法的预测精度最大化。 - 调整正则化参数,利用NCA检测特征进行分类
这个例子展示了如何调优正则化参数fscnca
使用交叉验证。 - 正则化判别分析分类器
通过在不影响模型预测能力的情况下删除预测因子,使模型更健壮、更简单。 - 고차원데이터를분류하기위해특징선택하기
이예제에서는고차원데이터를분류하기위해특징을선택하는방법을보여줍니다。
특징엔지니어링
- 分类自动化特征工程
使用gencfeatures
在训练分类模型之前设计新的特征。在对新数据进行预测之前,对新数据集应用相同的特征转换。
자동모델선택
- 基于贝叶斯和ASHA优化的自动分类器选择
使用fitcauto
自动尝试选择具有不同超参数值的分类模型类型,给定训练预测器和响应数据。
하이퍼파라미터최적화
- 贝叶斯优化工作流程
使用拟合函数或调用贝叶斯优化bayesopt
直接。 - 变量的贝叶斯优化
为贝叶斯优化创建变量。 - 贝叶斯优化目标函数
为贝叶斯优化创建目标函数。 - 贝叶斯优化中的约束条件
为贝叶斯优化设置不同类型的约束。 - Bayesopt를사용하여교차검된분류기최적화하기
베이즈최적화를사용하여교차검손실을최소화합니다。 - 베이즈최적화를사용하여분류기피팅최적화하기
피팅함수에서OptimizeParameters
이름-값손실을최소화합니다。 - 贝叶斯优化图函数
直观地监视贝叶斯优化。 - 贝叶斯优化输出函数
监视贝叶斯优化。 - 베이즈최적화알고리즘
베이즈최적화의기본알고리즘을이해합니다。 - 平行的贝叶斯优化
贝叶斯优化是如何并行工作的。
모델 해석
- 解释机器学习模型
解释模型预测石灰
而且沙普利
对象和plotPartialDependence
函数。 - 机器学习模型的Shapley值
使用两个算法计算机器学习模型的Shapley值:kernelSHAP和对kernelSHAP的扩展。
교차검
- 使用并行计算实现交叉验证
使用并行计算加速交叉验证。
분류성능평가
- ROC曲线与绩效指标
使用rocmetrics
在测试数据集上检验分类算法的性能。 - 性能曲线perfcurve
学习如何perfcurve
函数计算接收机工作特征(ROC)曲线。