使用分类学习应用程序训练神经网络分类器
这个例子展示了如何在Classification Learner应用程序中创建和比较神经网络分类器,并将训练好的模型导出到工作空间,以对新数据进行预测。
在MATLAB中®命令窗口,加载
fisheriris
数据集,并从数据集中的变量创建一个表用于分类。渔场=可读表(“fisheriris.csv”);
单击应用程序选项卡,然后单击显示更多右边的箭头打开应用程序库。在机器学习和深度学习组中,单击分类学习者.
在分类学习者选项卡,在文件部分中,点击新会话并选择从工作空间.
在“从工作区新建会话”对话框中,选择表
fishertable
从数据集变量列出(如有必要)。观察应用程序已经根据它们的数据类型选择了响应变量和预测变量。花瓣和萼片的长度和宽度是预测因子,而物种是你想要分类的响应。对于本例,不要更改选择。若要接受默认验证方案并继续,请单击开始会议.默认的验证选项是5倍交叉验证,以防止过拟合。
分类学习器创建数据的散点图。
使用散点图来研究哪些变量对预测响应有用。中选择不同的选项X而且Y列表下预测使物种分布和测量可视化。注意哪些变量能最清楚地区分物种颜色。
创建一个神经网络模型的选择。在分类学习者选项卡,在模型部分,单击箭头打开图库。在神经网络分类器组中,单击所有神经网络.
在火车部分中,点击火车都并选择火车都.
请注意
如果您有并行计算工具箱™,那么应用程序有使用并行按钮默认开启。点击之后火车都并选择火车都或选择火车,该应用程序会打开一个并行的员工池。在此期间,您无法与该软件进行交互。泳池开放后,你可以继续与应用程序互动,而模型则并行训练。
如果你没有并行计算工具箱,那么应用程序有使用背景培训中的复选框。火车都默认选择的菜单。在你选择一个训练模型的选项后,应用程序会打开一个背景池。泳池开放后,当模特在后台训练时,你可以继续与应用程序互动。
分类学习器训练图库中每个神经网络分类选项中的一个,以及默认的精细树模型。在模型窗格,应用程序概述准确性(验证)最佳模型得分。Classification Learner还显示了第一个神经网络模型的验证混淆矩阵(狭义神经网络).
中选择模型模型窗格查看结果。例如,双击狭义神经网络模型(2.1模型)。检查模型总结选项卡,它显示培训结果在验证集上计算的度量。
检查训练模型的散点图。在分类学习者选项卡,在情节和解释部分,单击箭头打开图库,然后单击散射在验证结果组。正确分类的点用O标记,错误分类的点用X标记。
请注意
验证在结果中引入了一些随机性。您的模型验证结果可能与本示例中显示的结果不同。
检查每节课预测的准确性。在分类学习者选项卡,在情节和解释部分,单击箭头打开图库,然后单击混淆矩阵(验证)在验证结果组。查看真实班级和预测班级结果的矩阵。
对于每个剩余的模型,在模型窗格中,打开验证混淆矩阵,然后比较各个模型的结果。
选择最好的模型模型窗格中突出显示的最佳分数准确性(验证)盒)。看看是否可以通过去除低预测能力的特征来改进模型。
首先,复制最好的模型。在分类学习者选项卡,在模型部分中,点击重复的.
使用其中一种方法调查要包含或排除的特性。
使用平行坐标绘图。在分类学习者选项卡,在情节和解释部分,单击箭头打开图库,然后单击平行坐标在验证结果组。保持能很好地区分类的预测器。
在模型中总结选项卡,您可以指定在训练期间使用的预测器。点击特征选择展开部分,并指定要从模型中删除的预测器。
使用特征排序算法。在分类学习者选项卡,在选项部分中,点击特征选择.在默认特性选择选项卡,指定要使用的特征排序算法,以及保持在最高排序特征中的特征数量。条形图可以帮助您决定使用多少功能。
点击保存并应用以保存更改。中的现有模型草案应用了新的特征选择模型窗格中,并将应用于使用图库创建的新草稿模型模型部份分类学习者选项卡。
训练模型。在分类学习者选项卡,在火车部分中,点击火车都并选择选择火车使用新的选项来训练模型。中的分类器之间的结果进行比较模型窗格。
选择最好的模型模型窗格。为了进一步改进模型,可以改变其超参数。首先,通过单击复制模型重复的在模型部分。然后,尝试改变模型中的超参数设置,比如全连接层的大小或正则化强度总结选项卡。通过单击来训练新模型火车都并选择选择火车在火车部分。
要了解有关神经网络模型设置的更多信息,请参见神经网络分类器.
您可以将训练过的模型的完整或紧凑版本导出到工作区。在分类学习者选项卡,在出口部分中,点击出口模式选择其中之一出口模式或出口紧凑型.看到导出分类模型预测新数据.
若要查看用于训练此分类器的代码,请单击生成函数在出口部分。
提示
使用相同的工作流来评估和比较您可以在“分类学习器”中训练的其他分类器类型。
训练你的数据集中所有不可优化的分类器模型预置:
在分类学习者选项卡,在模型部分,单击箭头打开模型库。
在开始组中,单击所有.
在火车部分中,点击火车都并选择火车都.
要了解其他分类器类型,请参见在分类学习App中训练分类模型.