Main Content

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

Construcción y evaluación de modelos

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

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

Para ajustar los hiperparámetros, seleccione los valores de hiperparámetro y valide el modelo con esos valores. Por ejemplo, para ajustar un modelo de SVM, elija un conjunto de restricciones de cuadro y escalas de kernel y, a continuación, valide un modelo para cada par de valores. Ciertas funciones de clasificación ofrecen ajuste automático de hiperparámetros a través de optimización bayesiana, búsqueda de cuadrícula o 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.Bayesian Optimization Workflow

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

Para crear y evaluar modelos de clasificación de forma interactiva, use la aplicación.Aprendiz de Clasificación

Apps

Capacitar modelos para clasificar datos mediante aprendizaje automático supervisado
Aprendiz de ClasificaciónCapacitar modelos para clasificar datos mediante aprendizaje automático supervisado

Funciones

expandir todo

fscmrmrRank features for classification using minimum redundancy maximum relevance (MRMR) algorithm
fscncaFeature selection using neighborhood component analysis for classification
oobPermutedPredictorImportancePredictor importance estimates by permutation of out-of-bag predictor observations for random forest of classification trees
predictorImportanceEstimates of predictor importance for classification tree
predictorImportanceEstimates of predictor importance for classification ensemble of decision trees
sequentialfsSequential feature selection using custom criterion
relieffRank importance of predictors using ReliefF or RReliefF algorithm
bayesoptSelect optimal machine learning hyperparameters using Bayesian optimization
hyperparametersVariable descriptions for optimizing a fit function
optimizableVariableVariable description for bayesopt or other optimizers
crossvalEstimate loss using cross-validation
cvpartitionCrear partición de validación cruzada para datos
repartitionRepartition data for cross-validation
testTest indices for cross-validation
trainingTraining indices for cross-validation
confusionchartCreate confusion matrix chart for classification problem
confusionmatCalcular matriz de confusión para el problema de clasificación
perfcurveCurva de característica de funcionamiento del receptor (ROC) u otra curva de rendimiento para la salida del clasificador
testcholdoutCompare predictive accuracies of two classification models
testckfoldCompare accuracies of two classification models by repeated cross-validation

Objetos

expandir todo

FeatureSelectionNCAClassificationFeature selection for classification using neighborhood component analysis (NCA)
BayesianOptimizationBayesian optimization results
cvpartition

Temas

Aplicación de aprendizaje de clasificación

Modelos de clasificación de trenes en la aplicación de aprendizaje de clasificación

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

Assess Classifier Performance in Classification Learner

Compare model accuracy scores, visualize results by plotting class predictions, and check performance per class in the Confusion Matrix.

Feature Selection and Feature Transformation Using Classification Learner App

Identify useful predictors using plots, manually select features to include, and transform features using PCA in Classification Learner.

Selección de características

Introduction to Feature Selection

Learn about feature selection algorithms and explore the functions available for feature selection.

Sequential Feature Selection

This topic introduces to sequential feature selection and provides an example that selects features sequentially using a custom criterion and the sequentialfs function.

Neighborhood Component Analysis (NCA) Feature Selection

Neighborhood component analysis (NCA) is a non-parametric method for selecting features with the goal of maximizing prediction accuracy of regression and classification algorithms.

Regularize Discriminant Analysis Classifier

Make a more robust and simpler model by removing predictors without compromising the predictive power of the model.

Selección de entidades para clasificar datos de alta dimensión

En este ejemplo se muestra cómo seleccionar entidades para clasificar datos de alta dimensión.

Optimización de hiperparámetros

Bayesian Optimization Workflow

Perform Bayesian optimization using a fit function or by calling bayesopt directly.

Variables for a Bayesian Optimization

Create variables for Bayesian optimization.

Bayesian Optimization Objective Functions

Create the objective function for Bayesian optimization.

Constraints in Bayesian Optimization

Set different types of constraints for Bayesian optimization.

Optimize a Cross-Validated SVM Classifier Using bayesopt

Minimize cross-validation loss using Bayesian Optimization.

Optimize an SVM Classifier Fit Using Bayesian Optimization

Minimize cross-validation loss using the OptimizeParameters name-value pair in a fitting function.

Bayesian Optimization Plot Functions

Visually monitor a Bayesian optimization.

Bayesian Optimization Output Functions

Monitor a Bayesian optimization.

Bayesian Optimization Algorithm

Understand the underlying algorithms for Bayesian optimization.

Parallel Bayesian Optimization

How Bayesian optimization works in parallel.

Validación cruzada

Implement Cross-Validation Using Parallel Computing

Speed up cross-validation using parallel computing.

Evaluación del rendimiento de la clasificación

Performance Curves

Examine the performance of a classification algorithm on a specific test data set using a receiver operating characteristic curve.