توضیحات
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
رضا رسنانی –
با سلام و احترام
ضمن تشکر بابت دوره عالی و کاربردی، یک سوال داشتم:
در این دوره که بر پایه استفاده از اپ متلب بدون کدنویسی برای دسته بندی داده ها هست، آیا می توان بدون کدنویسی در scatter plot، مثلا داده های ماشین بردار پشتیبان و همچنین boundary line ها را مشخص کرد؟
یا حتما برای این کار باید کد نوشت؟
لطفا اگه راهی هست که روی همین ابزار متلب این امکان را بشود پیاده کرد ممنون میشم راهنمایی بفرمایید.
با تشکر
ایران متلب –
سلام و تشکر از شما
تا جایی که من بلد هستم و کمی جستجو کردم نمیتوان چنین کاری انجام داد. چون ابزارهای آماده متلب خیلی گزینه برای دستکاری نمی دهند و شما ناگزیر باید کد بنویسی.
با این وجود وقتی scatter plot را رسم کردی. راست کلیک کن و گزینه ها را دستکاری کن شاید به منظور خودت رسیدید.
روی خود محل نمایش نمودار منظورم هست.
رضا رسنانی –
از پاسخ حضرتعالی سپاسگزارم
با راست کلیک بر روی نمودار هم نتوانستم به مقصود موردنظر برسم.
لطفا کد دستوری مربوط به رسم boundary line را بفرمایید تا در خروجی کدی که ابزار matlab میده وارد کنم ببینم جواب می دهد یا خیر
با تشکر مجدد
MRT –
سلام. ابتدا سپاس گزاری میکنم از مجموعه ویدئوهای آموزشی مفید و ارزشمندی که در سایت قرار دادید و عرض خداقوت دارم. در ادامه چند نکته که در ویدئوها مشاهده کردم که در نسخ جدید متلب، تغییر کرده بودند رو خدمت تون عرض میکنم. در نسخه 2024b متلب، سربرگ های این اپ، کمی متفاوت شده؛ مثلا در سربرگها، بخش Test اضافه شده که میشه ابتدا مدل رو با train و validation آموزش داد و مدل انتخاب شده نهایی رو روی test ارزیابی کرد. در بخش Export Model سه گزینه ای که در ویدئوها بهش اشاره شد، تغییرات زیادی کرده. در بخش Feature Selection با tTest روش های مختلفی مثلا ANOVA رو میشه انتخاب کرد؛ در ویدیو فقط به صورت دستی انتخاب ویژگی صورت گرفت. در نهایت سوالی هم از خدمت تون داشتم. برای استفاده از tTest باید نرمال بودن ویژگی اثبات شده باشه؛ آیا در همین اپ یا سایر اپ های متلب، بخشی به این منظور وجود داره که بتونه گوسی یا غیر گوسی بودن دیتا رو مشخص کنه؟
ایران متلب –
با سلام
در یکی از بخش های یادگیری ماشین در مورد
https://iran-matlab.ir/product/%d9%be%db%8c%d8%b4-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d9%85%d8%b9%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a7%d8%b2%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-matlab/
برای شنایایی گوسی یا غیرگوسی دیتا باید با تابع های امار و احتمال آشنا باشید. در متلب این تابع وجود دارد.
تابع های زیر برررسی کنید
fitdist