Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Creación y evaluación de modelos

Selección de características, optimización de hiperparámetros, validación cruzada, evaluación de rendimiento predictivo, pruebas de comparación de precisión de clasificación

Al crear un modelo de clasificación predictiva de alta calidad, es importante seleccionar las características correctas (o predictores) y ajustar los hiperparámetros (parámetros del modelo que no se estiman).

Para ajustar los hiperparámetros, seleccione los valores de hiperparámetro y valide el modelo utilizando esos valores. Por ejemplo, para ajustar un modelo SVM, elija un conjunto de restricciones de cuadro y escalas de kernel y, a continuación, valide de forma cruzada un modelo para cada par de valores. Algunas funciones de clasificación ofrecen un ajuste automático de los hiperparámetros mediante la optimización Bayesiana, la búsqueda de cuadrícula o la búsqueda aleatoria.Statistics and Machine Learning Toolbox™ Sin embargo, la función principal utilizada para implementar la optimización Bayesiana, es lo suficientemente flexible para su uso en otras aplicaciones.bayesopt Ver.Flujo de trabajo de optimización bayesiana

La selección de características y el ajuste de hiperparámetros pueden producir varios modelos. Puede comparar las tasas de clasificación errónea, las curvas de características operativas del receptor (ROC) o las matrices de confusión entre los modelos.k O, realice una prueba estadística para detectar si un modelo de clasificación supera significativamente a otro.

Para compilar y evaluar modelos de clasificación de forma interactiva, utilice la aplicación.El alumno de clasificación

Aplicaciones

El alumno de clasificaciónEntrenar modelos para clasificar los datos mediante el aprendizaje automático supervisado

Funciones

expandir todo

sequentialfsSelección secuencial de características
relieffRango importancia de los predictores usando ReliefF o RReliefF algoritmo
bayesoptSeleccione hiperparámetros óptimos de aprendizaje automático mediante la optimización bayesiana
hyperparametersDescripciones variables para optimizar una función de ajuste
optimizableVariableDescripción de variable para u otros optimizadoresbayesopt
crossvalEstimación de pérdidas mediante validación cruzada
cvpartitionCree una partición de validación cruzada para los datos
repartitionVuelva a particionar los datos para la validación cruzada
testLos índices de prueba para la validación cruzada
trainingLos índices de formación para la validación cruzada
confusionchartCrear gráfico de matriz de confusión para el problema de clasificación
confusionmatCalcule la matriz de confusión para el problema de clasificación
perfcurveCurva de características operativas del receptor (ROC) u otra curva de rendimiento para la salida del clasificador
testcholdoutCompare las precisiones predictivas de dos modelos de clasificación
testckfoldCompare las precisiones de dos modelos de clasificación mediante la validación cruzada repetida

Objetos

expandir todo

BayesianOptimizationLos resultados de optimización bayesiana
cvpartitionLas particiones de datos para la validación cruzada

Temas

Aplicación de aprendizaje de clasificación

Modelos de clasificación de trenes en la aplicación clasificación aprendiz

Flujo de trabajo para formación, comparación y mejora de modelos de clasificación, incluida la formación automatizada, manual y paralela.

Evalúe el rendimiento del clasificador en el alumno de clasificación

Compare las puntuaciones de precisión del modelo, visualice los resultados trazando predicciones de clases y compruebe el rendimiento por clase en la matriz de confusión.

Selección de características y transformación de características mediante la aplicación clasificación del alumno

Identifique predictores útiles utilizando trazados, seleccione manualmente las entidades que desea incluir y transforme las entidades utilizando PCA en el aprendizaje de clasificación.

Selección de características

Selección de características

Obtenga información sobre los algoritmos de selección de características, como la selección secuencial de entidades.

La optimización de hiperparámetros

Flujo de trabajo de optimización bayesiana

Realice la optimización bayesiana utilizando una función de ajuste o llamando directamente.bayesopt

Las variables para una optimización bayesiana

Cree variables para la optimización bayesiana.

Funciones objetivo de optimización bayesiana

Cree la función objetiva para la optimización bayesiana.

Las restricciones en la optimización bayesiana

Establezca diferentes tipos de restricciones para la optimización bayesiana.

Optimice un clasificador SVM con validación cruzada mediantebayesopt

Minimice la pérdida de validación cruzada mediante la optimización bayesiana.

Optimice un ajuste del clasificador SVM usando la optimización bayesiana

Minimice la pérdida de validación cruzada utilizando el par nombre-valor en una función de empalme.OptimizeParameters

Funciones de trazado de optimización bayesiana

Supervise visualmente una optimización bayesiana.

Funciones de salida de optimización bayesiana

Supervise una optimización bayesiana.

Algoritmo de optimización bayesiana

Comprenda los algoritmos subyacentes para la optimización bayesiana.

Optimización bayesiana paralela

Cómo funciona la optimización bayesiana en paralelo.

Validación cruzada

Implemente la validación cruzada mediante la computación paralela

Acelere la validación cruzada mediante la computación paralela.

Evaluación de rendimiento de clasificación

Curvas de rendimiento

Examine el rendimiento de un algoritmo de clasificación en un conjunto de datos de prueba específico utilizando una curva característica de funcionamiento del receptor.