La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Regression Learner

Entrenar modelos de regresión para predecir datos usando machine learning supervisado

expandir todo en la página

Descripción

La app Regression Learner entrena modelos de regresión para predecir datos. Con esta app, puede explorar los datos, seleccionar características, especificar esquemas de validación, entrenar modelos y optimizar hiperparámetros, evaluar los resultados e investigar cómo contribuyen determinados predictores a modelar predicciones. Lleve a cabo entrenamiento automatizado para buscar el mejor tipo de modelo de regresión, incluidos modelos de regresión lineal, árboles de regresión, modelos de regresión de procesos gaussianos, máquinas de vectores de soporte, modelos de regresión lineal entrenados de forma eficiente, modelos de aproximación de kernel, ensembles de árboles de regresión y modelos de regresión de redes neuronales. Para comparar modelos, use la tabla de resultados de métricas y vea las gráficas de resultados en la app.

Lleve a cabo procesos de machine learning supervisados facilitando un conjunto de observaciones de datos de entrada (predictores) y respuestas conocidas. Utilice las observaciones para entrenar un modelo que genere respuestas previstas para nuevos datos de entrada. Después, puede comprobar el rendimiento del modelo utilizando un conjunto de datos de prueba. Para entender cómo el modelo usa predictores para hacer predicciones, utilice herramientas de interpretación globales y locales, como gráficas de dependencia parcial, valores de LIME y valores de Shapley.

Para usar el modelo entrenado con datos nuevos, puede exportar el modelo al área de trabajo, Simulink®, y MATLAB® Production Server™. Puede generar código de MATLAB para recrear el modelo entrenado fuera de la app y explorar la regresión programática y otras personalizaciones del flujo de trabajo de entrenamiento del modelo. Exporte el código de entrenamiento del modelo a Experiment Manager para llevar a cabo tareas adicionales, como cambiar los datos de entrenamiento, ajustar los rangos de búsqueda de los hiperparámetros y ejecutar experimentos de entrenamiento personalizados.

Productos necesarios

  • MATLAB

  • Statistics and Machine Learning Toolbox™

Regression Learner app

Abrir la aplicación Regression Learner

  • Barra de herramientas de MATLAB: En la pestaña Apps, en Machine Learning, haga clic en el icono de la app.

  • Línea de comandos de MATLAB: Introduzca regressionLearner.

Ejemplos

Uso programático

regressionLearner abre la app Regression Learner o la trae al frente si ya se ha abierto.

regressionLearner(Tbl,ResponseVarName) abre la app Regression Learner y rellena el cuadro de diálogo New Session from Arguments con los datos que contiene la tabla Tbl. El argumento ResponseVarName, especificado como vector de caracteres o escalar de cadena, es el nombre de la variable de Tbl que contiene los valores de respuesta. Las variables restantes de Tbl son las variables predictoras.

regressionLearner(Tbl,Y) abre la app Regression Learner y rellena el cuadro de diálogo New Session from Arguments con las variables predictoras de la tabla Tbl y los valores de respuesta del vector numérico Y.

regressionLearner(X,Y) abre la app Regression Learner y rellena el cuadro de diálogo New Session from Arguments con la matriz predictora X de n por p y los n valores de respuesta del vector Y. Cada fila de X corresponde a una observación y cada columna, a una variable. La longitud de Y y el número de filas de X deben ser iguales.

regressionLearner(___,Name,Value) especifica opciones de validación cruzada usando uno o varios de los siguientes argumentos nombre-valor, además de cualquier combinación de los argumentos de entrada de las sintaxis anteriores. Por ejemplo, puede especificar "KFold",10 para utilizar un esquema de validación cruzada de 10 particiones.

  • "CrossVal", especificada como "on" (predeterminado) o "off", es el indicador de la validación cruzada. Si especifica "on", entonces la app utiliza una validación cruzada de 5 particiones. Si especifica "off", entonces la app utiliza una validación por sustitución.

    Puede eliminar el ajuste de la validación cruzada de "CrossVal" usando el argumento de nombre-valor "Holdout" o "KFold". Solo puede especificar uno de estos argumentos a la vez.

  • "Holdout", especificado como escalar numérico en el intervalo [0.05,0.5], es la fracción de datos usada para la validación por retención. La app utiliza los datos restantes para el entrenamiento (y las pruebas, si se especifica).

  • "KFold", especificado como entero positivo en el intervalo [2,50], es el número de particiones que se usarán en la validación cruzada.

  • "TestDataFraction", especificado como escalar numérico en el intervalo [0,0.5], es la fracción de datos reservada para las pruebas.

regressionLearner(filename) abre la app Regression Learner con la sesión previamente guardada en filename. El argumento filename, especificado como vector de caracteres o escalar de cadena, debe incluir el nombre de un archivo de sesión de Regression Learner y la ruta del archivo, si no está en la carpeta actual. El archivo debe tener la extensión .mat.

Limitaciones

  • Regression Learner no es compatible con el despliegue de modelos a MATLABProduction Server en MATLABOnline™.

Historial de versiones

Introducido en R2017a

Consulte también

Apps

Funciones