اگر تمایل ندارید که وارد فاز برنامه نویسی بشوید و قصد پیاده سازی مدلهای یادگیری ماشین را دارید، ابزار دسته بندی متلب برای شما می باشد. با این ابزار می توانید به سادگی داده های خود را وارد متلب کنید و هر مدل یادگیری ماشینی که تمایل داشتید را بر روی آن اعمال کنید و معیارهای ارزیابی را با یک کلیک محاسبه کنید.
ویژگیهای ابزار دسته بندی کننده متلب :
نیازی به هیچ کدنویسی نیست
امکان مقایسه چندین مدل تنها با یک کلیک
استفاده از پردازش موازی
محاسبه معیارهای خروجی تنها با یک کلیک
این آموزش اختصاص به ابزار دسته بندی کننده متلب (Classification Learner app) دارد و قسمت هفتم بسته جامع آموزش یادگیری ماشین می باشد. فلوچارت یک کار در این ابزار را می توانید در شکل زیر مشاهده کنید:
شما می توانید از این ابزار برای آموزش مدلهای : درخت تصمیم، ماشین بردار پشتیبان ، نزدیکترین همسایه، بیز ساده ، تجزیه و تحلیل تمایز، رگرسیون لجستیک، دسته بندی تجمعی استفاده کنید. همچنین می توانید انتخاب ویژگی انجام دهید، نوع اعتبارسنجی مشخص کنید و ارزیابی نتایج را انجام دهید. در انتهای فرایند کار شما می توانید مدل را وارد فضای کاری کنید یا کدهای متلب مدل خود را اتوماتیک تولید کنید. تولید کدهای متلب به شما کمک می کند که برنامه متلب مدل خود را هم ببینید و برنامه نویسی متلب یادگیری ماشین را یاد بگیرید.
شما در این ابزار می توانید ماتریس confusion و نمودار scatter و ROC را رسم کنید و بهتر بتوانید دسته بندی کننده مورد نظر خود را مورد ارزیابی قرار دهید.
یکی دیگر از قابلیت های این ابزار امکان بهینه سازی دسته بندی کننده های مختلف می باشد. پارامترهایی که می توانید بهینه سازی کنید در جدول زیر مشخص شده اند :
| مدل | پارمترهای قابل بهینه سازی |
| درخت تصمیم | Maximum number of splits , Split criterion |
| تجزیه و تحلیل تمایز | Discriminant type |
| بیز ساده | Distribution names , Kernel type |
| ماشین بردار پشتیبان | Kernel function , Box constraint level , Kernel scale , Multiclass method , Standardize data |
| نزدیکترین همسایه | Number of neighbors , Distance metric, Distance weight , Standardize |
| تجمعی | · Ensemble method , Maximum number of splits , Number of learners , Learning rate , Number of predictors to sample |
مدت زمان : 2 ساعت و 6 دقیقه
پیش نمایش