MATLAB机器学习工具箱

MATLAB机器学习工具箱

MATLAB包含统计和机器学习工具箱（Statistics and Machine Learning Toolbox），其包含如下一些子模块：探索性数据分析、数据降维、机器学习、回归和方差分析、概率分布拟合及假设检验等功能模块。

1.工具箱简介

机器学习算法使用计算方法直接从数据中“学习”信息，不把预定方程假设为模型。不同的机器学习算法，按照解决问题的性质，可以分为分类（回归）、聚类和强化学习问题。相应的，在Statistics and Machine Learning Toolbox中提供用于执行受监督和无/非监督机器学习的方法。分类算法使用户可以将一个分类应变量建模为一个或多个预测元的函数。Statistics and Machine Learning Toolbox提供涵盖多种参数化和非参数化分类算法的应用程序和函数，如logistic回归、朴素贝叶斯、k近邻、SVM等。

分类学习器应用程序（Classification Learner App）提供了一个机器学习应用常用的操作，如交互式探查数据、特征选择、指定交叉验证方案、训练模型和评估结果。分类学习器应用程序用于使用监督式机器学习来训练模型对数据进行分类，使用它可以执行常见任务，例如导入数据和指定交叉验证方案；探索数据和选择特征；使用多种分类算法训练模型；比较和评估模型；在计算机视觉和信号处理等应用场合中共享训练过的模型。

除此之外，分类学习器集成了多种可视化方式来方便用户选择模型，进行模型评估和比较。训练好的模型也可以直接导入MATLAB的工作空间，来对新的数据预测，也可以直接生成代码，方便和其他应用集成。

Statistics and Machine Learning Toolbox中也实现了很多聚类算法，聚类算法通过根据相似度测量对数据分组来发现数据集中的规律。可用的算法包括k-均值、k-中心点、分层聚类、高斯混合模型和隐马尔可夫模型。当不知道聚类的数量时，可以使用聚类评估技术根据特定指标确定数据中存在的聚类数量。

2.分类学习器基本流程

对遇构建机器学习应用，通常包括五部分，分别是数据导入、数据的探索和特征选择、训练模型、比较模型和输出模型。

2.1数据导入

首先为了启动分类学习器，可以直接在命令行输入“classification Learner”或者在MATLAB的菜单栏中选择“应用程序”选项卡下的分类学习器应用classification Learner。

导入数据的方法分为两种方式，点击新建对话后，可选择从工作区或文件中导入数据。演示数据通过fishertable=readtable('fisheriris.csv')导入。

该窗口主要目的是用来设置训练数据的相关属性、标签及设置