Matlab Classification Learner 使用


介绍

  在matlab中,既可以使用函数来对数据进行分类,也使用图形化界面的工具箱来进行分类操作。接下来讲讲如何使用。这里我主要介绍受监督的训练模型分类。

  使用此工具箱, 我们可以使用各种分类器来探索受监督的机器学习。同时可以浏览数据、选择功能、指定验证方案、培训模型和评估结果。可以执行自动培训以搜索最佳分类模型类型, 包括决策树、判别分析、支持向量机、逻辑回归、最近邻居和集合分类等等。

  • 什么是受监督的机器学习?

      通过提供已知的一组输入数据 (观察或示例) 和已知的数据响应 (例如, 标签或类) 来执行受监督的机器学习。使用数据培训模型, 以生成对新数据的响应的预测。若要将模型与新数据一起使用, 或者要了解编程分类, 可以将模型导出到工作区或生成 MATLAB?用于重新创建经过培训的模型的代码。



点击开始自动分类器

  我们可以使用Classification Learner对数据进行自动训练并且能选择不同的模型。
  我们在APP选项卡中单击Classification Learner即可启动。

新建训练模型

  单击New Session建立新模型,出现下图对话框:

  • Step1:选择数据
      这里输入的数据必须要参数与标签合一的数据,比如我放入的数据是data,为套管缺陷数据。是一个$286*24$的矩阵,其$1\sim23$列为数据参数,第$24$列为标签,有缺陷为$1$,无缺陷则为$-1$。

      其中$1\sim200$行为无缺陷数据,所以对于的$24$列都为$-1$,$201\sim286$行为有缺陷数据,所以对于的$24$列都为$1$。

  • Step2:选择预测者与反应者

      首先这里放入数据是,我选择了column模式,所以是以列作为读取数据顺序。$1\sim23$列都为数据参数,所以作为Predictor导入。$24$列作为标签,所以作为Response导入。

  • Step3:选择验证模式

      这里选择交叉验证(Cross validation),目的是为了得到可靠稳定的模型。在建立PCR 或PLS 模型时,一个很重要的因素是取多少个主成分的问题。用cross validation 校验每个主成分下的PRESS值,选择PRESS值小的主成分数。或PRESS值不再变小时的主成分数。
      也可以Holdout验证,随机从最初的样本中选出部分,形成交叉验证数据,而剩余的就当做训练数据。 一般来说,少于原本样本三分之一的数据被选做验证数据。

  • Step4:点击开始

开始训练

  新建模型完毕后,可以选择各种类型的分类器进行数据分类。

  • Step1:选择PCA参数
      我们可以对数据进行PCA降维,也可以调整PCA中的某些参数来调整训练模型。
  • Step2:选择分类器类型
      这里可以选择SVM分类器、KNN分类器、逻辑回归分类器等等。每种分类器中都可以选择不同的核函数,比如SVM分类器,可以选择Linear核、Quadratic核、cubic核、Gaussian核等。
  • Step3:选择扩展设置
      在这里我们可以分类器的参数做调节,典型的参数有:惩罚因子等级、核函数缩放因子、参数是否标准化等等。
  • Step4:运行
      接下来直接运行即可得出训练模型。

训练结果

  我这里对所有的SVM模型都进行了运行,可以查看到如下界面。

  • 1:分类模型状态

      可以查看到当前有100%的准确率,这个准确率是之前使用交叉验证,模型对于自己的分类结果做的验证的准确率。

  • 2:数据图表

      这里可以对数据各个部分进行可视化分析。

  • 3:图表选项

      因为目前是24维数据,对于2维图形是无法全部绘制的,所以可以选择对任意两个维度作图。

  • 4:导出模型

      模型建立完毕后,可以选择导出模型,进行下一步的工作。

预测结果

  我将导出的模型对新输入缺陷与非缺陷数据进行识别。代码如下:

%% 开始预测
yfit = trainedClassifier1.predictFcn(testdata);
n=sum(testlabel ==  yfit)/length(testlabel)*100;
disp('Linear SVM');
disp(n);

yfit = trainedClassifier2.predictFcn(testdata);
n=sum(testlabel ==  yfit)/length(testlabel)*100;
disp('Quadratic SVM');
disp(n);

yfit = trainedClassifier3.predictFcn(testdata);
n=sum(testlabel ==  yfit)/length(testlabel)*100;
disp('Cubic SVM');
disp(n);

yfit = trainedClassifier4.predictFcn(testdata);
n=sum(testlabel ==  yfit)/length(testlabel)*100;
disp('Fine Gaussian SVM');
disp(n);

yfit = trainedClassifier5.predictFcn(testdata);
n=sum(testlabel ==  yfit)/length(testlabel)*100;
disp('Medium Gaussian SVM');
disp(n);

yfit = trainedClassifier6.predictFcn(testdata);
n=sum(testlabel ==  yfit)/length(testlabel)*100;
disp('Coarse Gaussian SVM');
disp(n);

结果如下:

Linear SVM
   84.2105

Quadratic SVM
   84.2105

Cubic SVM
   84.2105

Fine Gaussian SVM
   86.4662

Medium Gaussian SVM
   84.9624

Coarse Gaussian SVM
   84.2105