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

Clasificadores de conjuntos de trenes utilizando la aplicación clasificación aprendiz

En este ejemplo se muestra cómo crear conjuntos de clasificadores en la aplicación de clasificación de aprendizaje. Los clasificadores de conjuntos combinen los resultados de muchos estudiantes débiles en un predictor de conjunto de alta calidad. Las cualidades dependen de la elección del algoritmo, pero los clasificadores del conjunto tienden a ser lentos para caber porque a menudo necesitan muchos estudiantes.

  1. En, cargue el conjunto de datos y defina algunas variables del conjunto de datos que se usarán para una clasificación.MATLAB®fisheriris

    fishertable = readtable('fisheriris.csv'); 
  2. En la pestaña, en el grupo, haga clic en.AppsMachine LearningClassification Learner

  3. En la pestaña, en la sección, haga clic en.El alumno de clasificaciónFileNew Session

    En el cuadro de diálogo nueva sesión, observe que la aplicación ha seleccionado variables de respuesta y predictor en función de su tipo de datos. El pétalo y la longitud y el ancho del sépalo son predictores. La especie es la respuesta que desea clasificar. Para este ejemplo, no cambie las selecciones.

  4. Haga clic.Start Session

    El alumno de clasificación crea un gráfico de dispersión de los datos.

  5. Utilice el gráfico de dispersión para investigar qué variables son útiles para predecir la respuesta. Seleccione diferentes variables en los controles del eje X e y para visualizar la distribución de las especies y las mediciones. Observe qué variables separan los colores de las especies con más claridad.

  6. Para crear una selección de modelos de conjunto, en la pestaña, en la sección, haga clic en la flecha hacia abajo para expandir la lista de clasificadores y, a continuación, en, haga clic en.Classification LearnerModel TypeLos clasificadores de EnsembleAll Ensembles

  7. En la sección, haga clic en.TrainingTrain

    Sugerencia

    Si tiene la primera vez que haga clic, verá un cuadro de diálogo mientras la aplicación abre un grupo paralelo de trabajadores.Parallel Computing Toolbox™Train Después de que se abra el grupo, puede entrenar varios clasificadores a la vez y continuar trabajando.

    El alumno de clasificación entrena una de cada opción de clasificación de conjunto en la galería y resalta la mejor puntuación. La aplicación delinea en una caja la puntuación del mejor modelo.Accuracy

  8. Seleccione un modelo en la lista historial para ver los resultados. Examine el diagrama de dispersión para el modelo entrenado. Los puntos clasificados erróneamente se muestran como una X.

  9. Para inspeccionar la precisión de las predicciones en cada clase, en la pestaña, en la sección, haga clic en.El alumno de clasificaciónPlotsConfusion Matrix Ver la matriz de la clase verdadera y los resultados de la clase pronosticada.

  10. Seleccione los otros modelos de la lista para comparar.

  11. Elija el mejor modelo en la lista de historial (la mejor puntuación se resalta en el cuadro).Accuracy Para mejorar el modelo, intente incluir diferentes características en el modelo. Vea si puede mejorar el modelo eliminando características con baja potencia predictiva.

    En la pestaña, en la sección, haga clic en.El alumno de clasificaciónFeaturesFeature Selection En el cuadro de diálogo Selección de características, especifique los predictores que desea eliminar del modelo y haga clic para entrenar un nuevo modelo con las nuevas opciones.Train Compare los resultados entre los clasificadores en la lista historial.

  12. Para investigar las entidades que se incluirán o excluirán, utilice los trazados de coordenadas de dispersión y paralelas. En la pestaña, en la sección, seleccione.El alumno de clasificaciónPlotsParallel Coordinates Plot

  13. Elija el mejor modelo en la lista historial. Para intentar mejorar aún más el modelo, pruebe a cambiar la configuración. En la pestaña, en la sección, haga clic en.Classification LearnerModel TypeAdvanced Intente cambiar una configuración y, a continuación, entrenar el nuevo modelo haciendo clic.Train

    Para obtener información sobre los ajustes para probar y las fortalezas de diferentes tipos de modelos de conjuntos, consulte.Los clasificadores de Ensemble

  14. Para exportar el modelo entrenado al área de trabajo, seleccione la ficha aprendizaje de clasificación y haga clic en.Export model Ver.Modelo de clasificación de exportación para predecir nuevos datos

  15. Para examinar el código para entrenar este clasificador, haga clic en.Generate Function

Utilice el mismo flujo de trabajo para evaluar y comparar los otros tipos de clasificador que puede entrenar en el aprendizaje de clasificación.

Para probar todos los ajustes preestablecidos del modelo de clasificador disponibles para el conjunto de datos:

  1. Haga clic en la flecha situada en el extremo derecho de la sección para expandir la lista de clasificadores.Model Type

  2. Haga clic y haga clic.AllTrain

Para obtener información sobre otros tipos de clasificadores, consulte.Modelos de clasificación de trenes en la aplicación clasificación aprendiz

Temas relacionados