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

Entrenar máquinas de vectores de soporte usando la aplicación de clasificación aprendiz

En este ejemplo se muestra cómo crear clasificadores de máquina de vectores de soporte (SVM) en la aplicación de clasificación de aprendizaje, mediante el conjunto de datos que contiene dos clases.ionosphere Puede utilizar una máquina de vectores de soporte (SVM) con dos o más clases en el aprendizaje de clasificación. Un SVM clasifica los datos encontrando el mejor hiperplano que separa todos los puntos de datos de una clase de los de otra clase. En los datos, la variable de respuesta es categórica con dos niveles: representa una buena rentabilidad del radar y representa una mala rentabilidad del radar.ionospheregb

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

    load ionosphere ionosphere = array2table(X); ionosphere.Group = Y;
  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. La variable de respuesta tiene dos niveles.Group Todas las demás variables son predictores.

  4. Haga clic.Start Session

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

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

  6. Para crear una selección de modelos SVM, en la pestaña, en la sección, haga clic en la flecha hacia abajo para expandir la lista de clasificadores y, a continuación, haga clic en.Classification LearnerModel TypeMáquinas de vectores de soporteAll SVMs

    Luego haga clic.Train

    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 SVM en la galería y resalta la mejor puntuación. La aplicación delinea en una caja la puntuación del mejor modelo.Accuracy

  7. Seleccione un modelo en la lista historial para ver los resultados. Examine el diagrama de dispersión para el modelo entrenado e intente trazar diferentes predictores. Los puntos clasificados erróneamente se muestran como una X.

  8. 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.

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

  10. Elija el mejor modelo en la lista de historial (la mejor puntuación se resalta en un cuadro). 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.

  11. Para investigar las entidades que se incluirán o excluirán, utilice el trazado de coordenadas paralelas. En la pestaña, en la sección, seleccione.El alumno de clasificaciónPlotsParallel Coordinates Plot

  12. Elija el mejor modelo en la lista historial. Para intentar mejorar aún más el modelo, intente cambiar la configuración de SVM. 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 la configuración, consulte.Máquinas de vectores de soporte

  13. 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

  14. Para examinar el código para entrenar este clasificador, haga clic en.Generate Function Para los modelos de SVM, consulte también.Generar código C para predicción

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