MATLAB自带分类模型APP——classification learner的使用

MATLAB自带分类模型APP——classification learner的使用MATLAB对常用的机器学习的分类模型做了集合，也就是形成了它自带的classification learner APP，今天简单概述一下该APP的使用步骤。

1、导入数据

在进行APP的使用之前，首先要将待处理的训练数据和预测数据导入MATLAB：

Data=xlsread('C:\Users\Administrator\Documents\MATLAB\name1.xlsx');
% 导入训练集与预测集，一般为m*n矩阵，m代表样本数，前n-1代表特征属性，最后一列代表标签

2、打开APP

点击工具栏选项中的APP，找到 classification learner ,点击打开APP，然后会出现APP界面如下图所示：

导入数据

点击左上角加号（New Session），选择From Workspace，上一步导入到工作空间的数据将会导入到APP中，默认前n-1列为特征属性，第n列为标签，当然也可手动点击每一列设置其为标签或者特征值，只需找到该列右键单击选择即可。在右侧为模型的验证方式，包括交叉验证（Cross-validation）和Holdout 验证（Holdout validation），交叉验证随机的将数据分成k份，其中k-1份用于训练，第k份为验证集，交替轮换共进行k次训练与验证，最终取k次验证结果的平均值作为衡量模型准确性的指标；而Holdout 验证则是随机的将数据集分为训练部分和验证部分进行建模，通常选用交叉验证作为验证方式。下面的滑动条代表的则是k值，这里选择k=5。

设置好之后，点击Start Session即可。

工具栏功能

在点击Start Session后，工具栏图标变亮，显示可用，在这里工具栏主要有三个功能，分别为数据预处理工具栏、分类模型算法工具栏、模型预测结果评估工具栏。

数据预处理工具栏

主要为PCA降维，降维方式有两种，一种是基于降维后特征分数达到原来数据的一定值，这种方式可以保证数据保留想要的特征精度，但降维后的维数不确定，另一种方式是将降维后的主成分数确定，从而将原数据降到特定的维数，这种方式的缺点是无法保证降维后数据维数的得分数能保留到想要的精度。

分类模型算法工具栏

该工具类整合了大多数的分类预测模型，包括决策树模型（Decision Trees），判别分析模型（Discriminant Analysis），逻辑回归模型（Logistic regression classifiers），支持向量机模型（SVM），k临近模型（kNN），需要使用哪个模型只需要单击该模型，模型载入待处理空间，显示Draft状态。

模型预测结果评估工具栏

这里主要利用混淆矩阵和ROC曲线对预测结果进行评估显示。

3、利用SVM和判别分析算法进行模型的构建与预测

（1）展开分类模型算法工具栏，点击线性判别模型（Linear Discriminant）和SVM模型，两者出现在工作栏：

（2）选中一个模型，点击上方工具栏中的Train按钮，模型开始训练建模与预测，当想同时对多个模型进行同步训练建模时，可点击Use Parallel，软件将启动并行计算工具箱，它将分析计算机CPU核数，并启动与核数相等的MATLAB的引擎进行计算。
预测模型的准确度显示在模型的右上角：

可以看出SVM模型预测准确度高达98.3%，可以很好地对数据进行预测，而线性判别的预测准确度则远远低于SVM。
（3）结果评估
点击混淆矩阵按钮，则会自动生成混淆矩阵的表达图，右侧工具栏可进行显示模式的设置。

点击ROC曲线按钮，则会显示模型的ROC曲线。

4、模型导出

点击工具栏中Export Model，可以将模型导出到软件的工作空间中，对新的一组数据进行预测，也可以将模型代码导出到编辑文本中，进行进一步的完善与编辑。