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

Modelos de clasificación de trenes en la aplicación clasificación aprendiz

Puede utilizar el aprendizaje de clasificación para entrenar modelos de estos clasificadores: árboles de decisión, análisis discriminante, máquinas de vectores de soporte, regresión logística, vecinos más cercanos, Bayes ingenuas y clasificación de conjuntos. Además de los modelos de formación, puede explorar los datos, seleccionar entidades, especificar esquemas de validación y evaluar resultados. Puede exportar un modelo al espacio de trabajo para utilizar el modelo con nuevos datos o generar código para obtener información sobre la clasificación programática.MATLAB®

La formación de un modelo en la clasificación del alumno consta de dos partes:

  • Modelo validado: Entrenar un modelo con un esquema de validación. De forma predeterminada, la aplicación protege contra el sobreajuste aplicando la validación cruzada. Como alternativa, puede elegir la validación de exclusión. El modelo validado es visible en la aplicación.

  • Modelo completo: Entrenar un modelo con datos completos sin validación. La aplicación entrena este modelo simultáneamente con el modelo validado. Sin embargo, el modelo entrenado en datos completos no está visible en la aplicación. Cuando se elige un clasificador para exportar al área de trabajo, el alumno de clasificación exporta el modelo completo.

La aplicación muestra los resultados del modelo validado. Las medidas de diagnóstico, como la precisión del modelo y los trazados, como un diagrama de dispersión o el gráfico de matriz de confusión, reflejan los resultados del modelo validado. Puede entrenar automáticamente una selección de o todos los clasificadores, comparar los resultados de validación y elegir el mejor modelo que funcione para su problema de clasificación. Cuando se elige un modelo para exportar al área de trabajo, el alumno de clasificación exporta el modelo completo. Dado que el alumno de clasificación crea un objeto de modelo del modelo completo durante el entrenamiento, no experimenta ningún retraso al exportar el modelo. Puede utilizar el modelo exportado para realizar predicciones sobre nuevos datos.

Para empezar a entrenar una selección de tipos de modelo, consulte.Entrenamiento de clasificador automatizado Si ya sabe qué tipo de clasificador desea usar, puede entrenar clasificadores individuales en su lugar. Ver.El entrenamiento de clasificador manual

Entrenamiento de clasificador automatizado

Puede usar la clasificación de aprendizaje para entrenar automáticamente una selección de diferentes modelos de clasificación en los datos.

  • Empiece a entrenar automáticamente varios modelos a la vez. Puede probar rápidamente una selección de modelos y, a continuación, explorar modelos prometedores de forma interactiva.

  • Si ya sabes qué tipo de clasificador quieres, entrena clasificadores individuales en su lugar. Ver.El entrenamiento de clasificador manual

  1. En la pestaña, en el grupo, haga clic en.AppsMachine LearningClassification Learner

  2. Haga clic y seleccione los datos del espacio de trabajo o del archivo.New Session Especifique una variable de respuesta y variables que se utilizarán como predictores. Ver.Seleccione datos y validación para problema de clasificación

  3. En la pestaña, en la sección, haga clic en.El alumno de clasificaciónModel TypeAll Quick-To-Train Esta opción capacitará todos los presets de modelo disponibles para su conjunto de datos que son rápidos de ajustar.

  4. Haga clicTrain.

    Nota

    La aplicación entrena modelos en paralelo si tienes.Parallel Computing Toolbox™ Ver.Entrenamiento de clasificador paralelo

    Aparece una selección de tipos de modelo en la lista historial. Cuando terminan el entrenamiento, la mejor puntuación porcentual se resalta en una caja.Accuracy

  5. Haga clic en modelos en la lista de historial para explorar los resultados en las parcelas.

    Para los pasos siguientes, vea o.El entrenamiento de clasificador manualComparar y mejorar modelos de clasificación

  6. Para probar todos los ajustes preestablecidos del modelo de clasificador disponibles para el conjunto de datos, haga clic y haga clic en.AllTrain

El entrenamiento de clasificador manual

Si desea explorar tipos de modelos individuales, o si ya sabe qué tipo de clasificador desea, puede entrenar clasificadores uno a la vez, o un tren de un grupo del mismo tipo.

  1. Elija un clasificador. En la pestaña, en la sección, haga clic en un tipo de clasificador.El alumno de clasificaciónModel Type Para ver todas las opciones de clasificador disponibles, haga clic en la flecha situada en el extremo derecho de la sección para expandir la lista de clasificadores.Model Type Las opciones de la galería son puntos de partida preestablecidos con diferentes ajustes, adecuados para un rango de diferentes problemas de clasificación.Model Type

    Para leer una descripción de cada clasificador, cambie a la vista de detalles.

    Para obtener más información sobre cada opción, consulte.Elija Opciones de clasificador

  2. Después de seleccionar un clasificador, haga clic en.Train

    Repita este procedimiento para probar diferentes clasificadores.

    Sugerencia

    Pruebe primero los árboles de decisión y los discriminantes. Si los modelos no son lo suficientemente precisos para predecir la respuesta, pruebe con otros clasificadores con mayor flexibilidad. Para evitar el sobreajuste, busque un modelo de menor flexibilidad que proporcione una precisión suficiente.

  3. Si decide que desea probar todos los tipos de modelo o entrenar a un grupo del mismo tipo, pruebe una de las opciones de la galería.AllModel Type

Para los pasos siguientes, consulteComparar y mejorar modelos de clasificación

Entrenamiento de clasificador paralelo

Puede entrenar modelos en paralelo utilizando la clasificación de aprendiz si lo tiene.Parallel Computing Toolbox Cuando entrena clasificadores, la aplicación inicia automáticamente un grupo paralelo de trabajadores, a menos que desactive la preferencia paralela predeterminada.Automatically create a parallel pool Si un grupo ya está abierto, la aplicación lo usa para el entrenamiento. El entrenamiento paralelo le permite entrenar varios clasificadores a la vez y continuar trabajando.

  1. La primera vez que haga clic, verá un cuadro de diálogo mientras la aplicación abre un grupo paralelo de trabajadores.Train Después de que se abra el grupo, puede entrenar varios clasificadores a la vez.

  2. Cuando los clasificadores se entrenan en paralelo, verá indicadores de progreso en cada entrenamiento y modelo en cola en la lista de historial, y puede cancelar modelos individuales si lo desea. Durante el entrenamiento, puede examinar los resultados y las parcelas de los modelos e iniciar la formación de más clasificadores.

Para controlar el entrenamiento paralelo, cambia el botón en la herramienta de la aplicación.Use Parallel El botón solo está disponible si lo tiene.Use ParallelParallel Computing Toolbox

Si lo tiene, el aprendizaje en paralelo está disponible en el aprendizaje de clasificación y no es necesario establecer la opción de la función.Parallel Computing ToolboxUseParallelstatset Si desactiva la preferencia paralela a, a continuación, la aplicación no se iniciará un grupo para usted sin preguntar primero.Automatically create a parallel pool

Comparar y mejorar modelos de clasificación

  1. Haga clic en modelos en la lista de historial para explorar los resultados en las parcelas. Compare el rendimiento del modelo inspeccionando los resultados en el gráfico de dispersión y la matriz de confusión. Examine la precisión porcentual notificada en la lista de historial para cada modelo. Ver.Evalúe el rendimiento del clasificador en el alumno de clasificación

  2. Seleccione el mejor modelo en la lista de historial y, a continuación, intente incluir y excluir diferentes características en el modelo. Haga clic en selección de características.

    Pruebe la gráfica de coordenadas paralelas para ayudarle a identificar las entidades que desea eliminar. Vea si puede mejorar el modelo eliminando características con baja potencia predictiva. Especifique los predictores que se incluirán en el modelo y capacite a los nuevos modelos con las nuevas opciones. Compare los resultados entre los modelos de la lista de historial.

    También puede intentar transformar las funciones con PCA para reducir la dimensionalidad.

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

  3. Para mejorar aún más el modelo, puede intentar cambiar la configuración de parámetros del clasificador en el cuadro de diálogo avanzado y, a continuación, entrenar con las nuevas opciones. Para obtener información sobre cómo controlar la flexibilidad del modelo, consulte.Elija Opciones de clasificador

  4. Si la selección de características, PCA o la nueva configuración de parámetros mejoran el modelo, pruebe los tipos de modelos de formación con la nueva configuración.All Vea si otro tipo de modelo mejora con la nueva configuración.

Sugerencia

Para evitar el sobreajuste, busque un modelo de menor flexibilidad que proporcione una precisión suficiente. Por ejemplo, busque modelos simples como árboles de decisión y discriminantes que sean rápidos y fáciles de interpretar. Si los modelos no son lo suficientemente precisos para predecir la respuesta, elija otros clasificadores con mayor flexibilidad, como conjuntos. Para obtener más información sobre la flexibilidad del modelo, consulte.Elija Opciones de clasificador

La figura muestra la aplicación con una lista de historial que contiene varios tipos de clasificador.

Sugerencia

Para ver un ejemplo paso a paso comparando diferentes clasificadores, consulte.Entrenar árboles de decisión mediante la aplicación de clasificación aprendiz

Para los pasos siguientes, genere código para entrenar el modelo con datos diferentes o exporte modelos entrenados al espacio de trabajo para realizar predicciones con nuevos datos. Ver.Modelo de clasificación de exportación para predecir nuevos datos

Temas relacionados