[Matlab] 利用回归分类搭建数据分类模型

应用介绍

我们主要应用Matlab中Classification Learner App，通过一组已知的输入数据（观测值或示例）和对数据的已知响应（标签或类）来进行有监督的机器学习，以获得一个最佳的数据分类模型。

---

数据准备

提示：这里所用数据是我自己的测试数据，可根据自己的情况进行修改：
这里我们收集了152条原始缺陷数据，可以大致分为三类"黑点"，“黑条”，“黑印”，数据中存在部分干扰数据以及缺失数据，我们首先进行数据的预处理工作。

例如：数据传输过程中数据不时出现丢失的情况，偶尔会丢失一部分数据

@Override
%数据预处理 - 剔除异常数据
z=find(isnan(features.Area));
features(z,:)=[];
features_O =features; 
[minMaxData,~] = mapminmax(features(:,2:end).Variables'); 		% 归一化
minMaxData = minMaxData';   			% 行列转置
zScoreData = zscore(minMaxData); %标准化
features(:,2:end).Variables = zScoreData;

这里我们主要是将获得数据中的异常值进行剔除，并对处理后的数据进行归一化。

---

数据导入

应用Matlab中Classification Learner App

这里我们进入分类学习器后，将相关数据导入，选择响应变量即对应的标签，点击开始会话。

---

模型训练

这里只是通过树模型进行初步的测试：

这里我们可以通过选择不同的XY数据进行不同维度的可视化。
点击训练可以进行简单尝试。

这里我们看到数据占比不同可能导致结果存在一定的偏差，后期需要优化，也可以尝试其他模型进行改进，结合自己需求进行快速验证。
测试数据链接