酒店网站开发,使用h5做的学习网站源码,网站开发能用udp协议吗,沈阳鸿晟服装有限公司的案例我们将和大家一起探讨机器学习与数据科学的主题。
本文主要讨论大家针对回归学习器提出的问题。我将概要介绍#xff0c;然后探讨以下五个问题#xff1a;
1. 能否将回归学习器用于时序数据#xff1f;
2. 该如何缩短训练时间#xff1f;
3. 该如何解释不同模型的结果和…我们将和大家一起探讨机器学习与数据科学的主题。
本文主要讨论大家针对回归学习器提出的问题。我将概要介绍然后探讨以下五个问题
1. 能否将回归学习器用于时序数据
2. 该如何缩短训练时间
3. 该如何解释不同模型的结果和可用的绘图
4. 我选择了具有最小均方根误差 (RMSE) 的模型接下来还需要做些什么
5. 如何基于新数据进行预测
本文会解答一些有关 MATLAB 回归学习器的问题基本上不涉及回归本身。 引言
自 2017 年起工程师和科学家可以在 MATLAB 中使用回归学习器。
回归分析可以帮助人们理解变量和数值响应之间的关系可用于预测能耗、财务绩效和制造工艺参数等。从根本上说有了回归学习器您无需编写代码即可交互构建回归模型并衡量模型的准确度和性能。
您可以快速比较各种回归模型和特征的性能。这款 App 对于刚接触机器学习的人特别有用因此我很高兴回答一些与该 App 直接相关的问题。
Q1
能否将回归学习器用于时序数据
当然可以。
例如您可以使用回归模型来预测电力负荷或预测暴风雨造成的损失与在其他机器学习 App 中一样在该 App 中使用时序数据之前必须对数据进行预处理和清理。
这包括将数据调整到正确的格式、对数据进行归一化以使其处于同一尺度、均匀地分布数据、处理重复数据或缺失数据以及执行其他必要任务。 Q2
训练花费的时间太长我该怎么做才能更快地训练我的模型
您可以在回归学习器中执行几项操作来加快训练速度。提醒一下在这里我主要介绍该 App 本身提供的方法。
建议 1使用并行回归模型训练
如果您拥有 Parallel Computing Toolbox™首先可以尝试的是使用并行回归学习器模型进行训练这也是比较简单的方法。此方案会创建一个并行池以进行并行训练让您能够在继续工作的同时并行训练多个模型。
如果选择此方案您将在“历史记录”列表中看到每个训练中模型和排队中模型的进度指示器并且还可以随时取消某个模型。这种方法将有助于减少训练所需时间。 在回归学习器的菜单栏中选择“使用并行”。 建议 2使用留出法验证
如果数据很大请确保使用正确的验证选项。
当您在回归学习器中打开新会话并选择数据时默认会选择交叉验证。
交叉验证可将数据划分为若干折 (k)、训练模型并计算所有折的平均测试误差。
与其他方案相比此方法可以更好地防止过拟合但需要多次拟合因此适用于中小型数据集。
留出法验证可让您使用滑块控件选择要用作测试集的数据百分比。该 App 将在训练集上训练模型并通过测试集评估其性能。用于测试的模型仅基于一部分数据因此留出法验证特别适用于大型数据集。当然您也可以选择不验证模型但是这有可能导致训练数据过拟合。了解有关回归问题验证选项的更多信息 启动新会话时默认会选择交叉验证。
建议 3仅在一组模型类型上训练数据
如果您已知数据特别适合用某一类模型处理或者某一类模型的训练速度太慢则可以在 App 中选中该类型或取消选中而不必对所有类型进行训练。如果不确定则可以尝试“全部(快速训练)”选项该选项将对所有训练速度通常较快的模型类型进行训练。
然后您可以训练均方根误差 (RMSE) 最小的那一组的所有模型以找到最佳模型。
建议 4精简训练数据
人们经常讨论如何获得足够的数据但其中的关键是确保拥有足够的正确数据。您可能有一些多年前的历史数据一些不必要、不再有用的数据。
删除或减少这类数据可以加快训练速度当然您需要时刻关注数据的准确性和代表性。这应该是您最后的选择因为您必须非常谨慎地减少数据。 Q3
该如何解释不同模型的结果和可用的绘图
这是一个很好的问题
在用您的数据训练完模型后需要采取几个步骤来解释结果。
步骤 1找出具有最小均方根误差的模型
RMSE 衡量每个模型的预测值与观测值之间的距离因此它衡量的是这些残差的扩散程度。该 App 将在最小 RMSE 周围加一个框。
步骤 2探查模型
选择具有最小 RMSE 的模型后下一步就是查看 App 中可用的不同绘图常用的绘图有两种响应图实际值-预测值图。 较小的 RMSE 将以粗体显示并带有一个方框。
响应图
响应图以竖线显示预测响应与观测值之间的差异。如果您对数据使用留出法验证或交叉验证则此图特别有用因为图中显示的预测值对应的是留出的观测值模型未在这部分数据上进行训练。 使用响应图查看预测值和观测值之间的距离。 实际值-预测值图
实际值-预测值图可帮助您检查模型性能。该图绘制了模型的预测响应对真实响应的图。
在此图中理想的回归模型应有与观测值相同的预测响应因此所有点都将位于对角线上。
然而这在现实中是不可能的所以我们的目标是让这些点尽可能靠近对角线并大致对称地分散在对角线附近。如果能在此图中检测到模式则意味着模型可以改进您可以选择训练其他模型类型也可以选择使用高级选项使模型更灵活。 实际值-预测值图可帮助您可视化回归模型的准确度。 Q4
我选择了具有最小均方根误差 (RMSE) 的模型要优化模型接下来还需要做些什么
在针对数据训练和评估初始模型之后可以通过调整模型的超参数来确保实现最佳性能。
要自动选择并找到模型的最佳超参数值可以使用超参数优化功能。
该 App 会尝试不同的超参数值组合以最小化模型的均方误差 (MSE)并返回使用优化超参数的新模型。
超参数调整的效果因模型而异因此您需要为多种类型的模型优化超参数因为初始模型可能无法实现最佳性能。 Q5
如何开始进行预测
要使用经过全面训练和优化的模型基于新数据进行预测您需要将模型导出到某个位置。您可以将其导出到 MATLAB 工作区或者生成 MATLAB 代码以使用刚才在 App 中所用的步骤来训练模型。
然后您可以使用 MATLAB Compiler™ 部署模型或者使用 MATLAB Coder™ 从模型生成 C/C 代码。
