📚 课程目录第4章监督学习算法快速原型

4. 监督学习算法快速原型

在MATLAB机器学习工程中，快速原型阶段的核心目标不是追求最高精度，而是用最短路径验证“数据是否可分、特征是否有效、模型是否值得继续投入”。分类学习器App（Classification Learner）与fitcensemble、fitcsvm等函数，分别对应交互式探索与脚本化复现两条路径，二者配合可以显著缩短从数据到可用模型的周期。

一、分类学习器App：交互式快速筛选

分类学习器App适合在特征工程尚未完全定型时使用。启动方式为在命令行输入classificationLearner，或在“App”选项卡中点击“Classification Learner”。导入数据时，App会自动识别表变量类型，并要求指定响应变量（标签）与预测变量（特征）。对于本节示例，假设有一个fisheriris数据集，包含150个样本、4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）和3个类别（setosa、versicolor、virginica）。

在App中，选择“交叉验证”并设置折数（如5折），然后可同时勾选多种模型进行训练：决策树、K近邻、支持向量机、集成方法等。App会以列表形式给出每种模型的验证准确率，并允许点击任一模型查看其混淆矩阵。这一阶段的判断依据是：若多个模型准确率接近且均高于基线（如多数类占比），说明特征具有可分性；若所有模型都接近基线，则应回到特征工程而非继续调参。

分类学习器App的“快速”体现在：无需编写代码即可比较十余种算法，且混淆矩阵、ROC曲线、特征重要性等诊断图可一键生成。但App不适合自动化调参和批量实验，因此原型验证后应导出为函数或脚本。

二、脚本化训练：fitcsvm与fitcensemble

当需要复现、调参或嵌入工程流程时，应使用函数式接口。以二分类SVM为例，fitcsvm的基本调用形式为：

load fisheriris
X = meas(1:100,:);          % 取前两类，共100个样本
Y = species(1:100);
Mdl = fitcsvm(X, Y, ...
    'KernelFunction', 'rbf', ...
    'BoxConstraint', 1, ...
    'Standardize', true);
CVMdl = crossval(Mdl, 'KFold', 5);
loss = kfoldLoss(CVMdl);

其中KernelFunction选择核函数，BoxConstraint控制惩罚强度，Standardize对特征标准化。训练后可用predict获得预测标签，用confusionmat计算混淆矩阵。对于多分类问题，fitcsvm默认采用“一对多”策略，也可通过fitcecoc使用纠错输出码。

集成方法fitcensemble则通过组合多个弱学习器提升泛化能力。常用调用为：

Mdl = fitcensemble(X, Y, ...
    'Method', 'AdaBoostM2', ...
    'NumLearningCycles', 100, ...
    'Learners', 'tree');

其中Method可选'AdaBoostM2'、'Bag'、'RUSBoost'等，NumLearningCycles为学习器数量，Learners指定基学习器类型。集成模型通常比单模型更稳健，但训练时间更长，且可解释性下降。

三、准确率与混淆矩阵：从数字到判断

准确率（Accuracy）是最直观的指标，定义为正确预测样本数除以总样本数。但在类别不平衡时，准确率可能产生误导。例如，若90%样本属于A类，模型全部预测为A，准确率仍达90%，但B类完全漏判。因此必须结合混淆矩阵分析。

混淆矩阵的行表示真实类别，列表示预测类别。以三分类为例，矩阵对角线为正确分类数，非对角线为误分类数。由此可计算：

召回率（Recall）：某类真实样本中被正确预测的比例，反映“漏判”程度；
精确率（Precision）：某类预测结果中真实属于该类的比例，反映“误报”程度；
F1分数：精确率与召回率的调和平均，适合不平衡数据。

在MATLAB中，confusionchart可直接绘制带颜色映射的混淆矩阵，并显示每类的召回率与精确率。例如：

YPred = predict(Mdl, X);
figure;
cm = confusionchart(Y, YPred);
cm.Title = 'SVM分类混淆矩阵';
cm.RowSummary = 'row-normalized';
cm.ColumnSummary = 'column-normalized';

观察混淆矩阵时，应重点关注：对角线是否显著高于非对角线；是否存在某一类被系统性误判为另一类；误判是否集中在特征空间重叠区域。若某两类互相误判严重，说明现有特征不足以区分它们，需要引入新特征或非线性变换。

四、从原型到可复现：导出与封装

分类学习器App支持将训练好的模型导出到工作区，或生成等效的MATLAB函数。导出后，可用saveLearnerForCoder保存模型，用loadLearnerForCoder加载，便于部署。对于fitcensemble和fitcsvm，建议将训练脚本封装为函数，输入为特征矩阵和标签向量，输出为模型对象和评估指标，便于批量实验。

一个实用的原型脚本结构如下：

function [mdl, acc, cm] = trainAndEval(X, Y, method)
    % method: 'svm' 或 'ensemble'
    if strcmp(method, 'svm')
        mdl = fitcsvm(X, Y, 'KernelFunction', 'rbf', ...
            'Standardize', true, 'BoxConstraint', 1);
    else
        mdl = fitcensemble(X, Y, 'Method', 'AdaBoostM2', ...
            'NumLearningCycles', 100, 'Learners', 'tree');
    end
    cvmdl = crossval(mdl, 'KFold', 5);
    acc = 1 - kfoldLoss(cvmdl);
    YPred = predict(mdl, X);
    cm = confusionmat(Y, YPred);
end

该脚本返回交叉验证准确率与训练集混淆矩阵。注意：训练集混淆矩阵仅用于诊断模型是否过拟合，最终评估应以交叉验证或独立测试集为准。

常见误区：直接用训练集准确率作为最终指标。若训练集准确率远高于交叉验证准确率，说明模型过拟合，应减少模型复杂度、增加正则化或补充数据。混淆矩阵应同时观察行归一化和列归一化结果，前者反映召回率，后者反映精确率。

五、参数选择与快速调参建议

对于fitcsvm，关键参数包括BoxConstraint（越大越严格，易过拟合）、KernelScale（RBF核宽度，越小越平滑）和Standardize（建议开启）。可用fitcsvm的自动优化选项'OptimizeHyperparameters'进行贝叶斯优化，但原型阶段建议先手动尝试2~3组参数。

对于fitcensemble，NumLearningCycles通常设为50~200，LearnRate（AdaBoost）设为0.1~1，MaxNumSplits控制基树深度。若数据类别不平衡，优先使用'RUSBoost'方法，它通过欠采样平衡类别。

快速原型的判断标准可以归纳为：交叉验证准确率是否显著高于多数类基线；混淆矩阵对角线是否占主导；误判是否集中在可解释的类别对之间。若满足前两条，即可进入下一阶段；若不满足，应优先检查特征质量与类别可分性，而非盲目增加模型复杂度。