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 de aprendizaje de clasificación

Puede utilizar el alumno de clasificación para entrenar modelos de estos clasificadores: árboles de decisión, análisis discriminante, máquinas vectoriales de soporte, regresión logística, vecinos más cercanos, Bayes ingenuos y clasificación de conjuntos. Además de los modelos de entrenamiento, puede explorar los datos, seleccionar entidades, especificar esquemas de validación y evaluar los resultados. Puede exportar un modelo al área de trabajo para usar el modelo con nuevos datos o generar código para obtener información sobre la clasificación mediante programación.MATLAB®

La formación de un modelo en el Alumno de Clasificación consta de dos partes:

  • Modelo validado: Entrene un modelo con un esquema de validación. De forma predeterminada, la aplicación protege contra el sobreajuste mediante la aplicación de validación cruzada. Como alternativa, puede elegir la validación de retención. El modelo validado está visible en la aplicación.

  • Modelo completo: Entrene un modelo en 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 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 gráfico 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. Al elegir un modelo para exportar al área de trabajo, el alumno de clasificación exporta el modelo completo. Dado que Classification Learner crea un objeto de modelo del modelo completo durante el entrenamiento, no se obtiene ningún retraso al exportar el modelo. Puede utilizar el modelo exportado para realizar predicciones sobre nuevos datos.

Para empezar, entrena una selección de tipos de modelos, consulte .Capacitación automatizada de clasificadores Si ya sabes qué tipo de clasificador quieres entrenar, consulta .Entrenamiento de clasificador manual

Capacitación automatizada de clasificadores

Puede utilizar el alumno de clasificación para entrenar automáticamente una selección de diferentes modelos de clasificación en los datos.

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

  • Si ya sabe qué tipo de clasificador desea, entrene clasificadores individuales en su lugar. Ver.Entrenamiento de clasificador manual

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

  2. Haga clic y seleccione datos del área de trabajo o del archivo.New Session Especifique una variable de respuesta y variables para utilizarlas como predictores. Ver.Select Data and Validation for Classification Problem

  3. En la pestaña, en la sección, haga clic en .Aprendiz de ClasificaciónModel TypeAll Quick-To-Train Esta opción entrenará todos los ajustes preestablecidos de modelo disponibles para el conjunto de datos que sean rápidos de ajustar.

  4. Haga clicTrain.

    Nota

    La aplicación entrena modelos en paralelo si tiene .Parallel Computing Toolbox™ Ver.Entrenamiento de clasificadores paralelos

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

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

    Para ver los siguientes pasos, consulte o .Entrenamiento de clasificador manualComparar y mejorar modelos de clasificación

  6. Para probar todos los ajustes preestablecidos de modelo de clasificador no optimizables disponibles para el conjunto de datos, haga clic en y, a continuación, haga clic en .AllTrain

Entrenamiento de clasificador manual

Si desea explorar tipos de modelos individuales, o si ya sabe qué tipo de clasificador desea, puede entrenar clasificadores de uno en uno 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.Aprendiz de ClasificaciónModel Type Para ver todas las opciones de clasificadores 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 modelo no seleccionables en la galería son puntos de partida preestablecidos con diferentes ajustes, adecuados para una gama 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 .Choose Classifier Options

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

    Repita para probar diferentes clasificadores.

    Sugerencia

    Pruebe primero los árboles de decisión y los discriminadores. 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 suficiente precisión.

  3. Si desea probar todos los modelos no optimizables de los mismos tipos o diferentes, seleccione una de las opciones de la galería.AllModel Type

    Como alternativa, si desea ajustar automáticamente los hiperparámetros de un tipo de modelo específico, seleccione el modelo correspondiente y realice la optimización de hiperparámetros.Optimizable Para obtener más información, consulte .Hyperparameter Optimization in Classification Learner App

Para los siguientes pasos, consulteComparar y mejorar modelos de clasificación

Entrenamiento de clasificadores paralelos

Puede entrenar modelos en paralelo utilizando Classification Learner si tiene .Parallel Computing Toolbox Al entrenar 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 en , verá un cuadro de diálogo mientras la aplicación abre un grupo paralelo de trabajadores.Train Después de que se abra la piscina, puede entrenar varios clasificadores a la vez.

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

Para controlar el entrenamiento paralelo, cambie el botón en la tira de herramientas de la aplicación.Use Parallel El botón solo está disponible si tiene .Use ParallelParallel Computing Toolbox

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

Nota

No puede realizar la optimización de hiperparámetros en paralelo. La aplicación deshabilita el botón al seleccionar un modelo optimizable.Use Parallel Si selecciona un modelo no seleccionable, el botón está desactivado de forma predeterminada.

Comparar y mejorar modelos de clasificación

  1. Haga clic en modelos de la lista de historial para explorar los resultados de los trazados. Compare el rendimiento del modelo inspeccionando los resultados en el gráfico de dispersión y la matriz de confusión. Examine el porcentaje de precisión notificado en la lista de historial para cada modelo. Ver.Assess Classifier Performance in Classification Learner

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

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

    También puede intentar transformar características con PCA para reducir la dimensionalidad.

    Ver.Feature Selection and Feature Transformation Using Classification Learner App

  3. Para mejorar aún más el modelo, puede intentar cambiar la configuración de parámetros del clasificador en el cuadro de diálogo Avanzadas y, a continuación, entrenar con las nuevas opciones. Para obtener información sobre cómo controlar la flexibilidad del modelo, consulte .Choose Classifier Options Para obtener información sobre cómo ajustar automáticamente la configuración de parámetros del modelo, consulte .Hyperparameter Optimization in Classification Learner App

  4. Si la selección de características, PCA o la nueva configuración de parámetros mejoran el modelo, pruebe los tipos de modelo de entrenamiento con la nueva configuración.All Compruebe si a otro tipo de modelo le funciona mejor con la nueva configuración.

Sugerencia

Para evitar el sobreajuste, busque un modelo de menor flexibilidad que proporcione suficiente precisión. 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 .Choose Classifier Options

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

Sugerencia

Para obtener un ejemplo paso a paso que compara diferentes clasificadores, consulte .Train Decision Trees Using Classification Learner App

Para los pasos siguientes, genere código para entrenar el modelo con datos diferentes o exporte modelos entrenados al área de trabajo para realizar predicciones con nuevos datos. Ver.Export Classification Model to Predict New Data

Temas relacionados