ヘルプセンターヘルプセンター

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

アンサンブル分類

マルチクラス学習用のブースティング,ランダムフォレスト、バギング、ランダム部分空間および ECOC のアンサンブル

アンサンブル分類は、重みを付けた複数の分類モデルの組み合わせから構成される予測モデルです。一般に、複数の分類モデルを組み合わせると予測の性能が向上します。

対話的に分類アンサンブルを調べるには、分類学習器アプリを使用します。柔軟性を向上させるためには、コマンドラインインターフェイスでfitcensembleを使用して、分類木をブースティングまたはバギングするか、ランダムフォレスト[12]を成長させます。サポートされるすべてのアンサンブルについての詳細は、アンサンブルアルゴリズムを参照してください。マルチクラス問題をバイナリ分類問題のアンサンブルに縮小するには、誤り訂正出力符号 (ECOC) モデルを学習させます。詳細については、fitcecocを参照してください。

LSBoost を使用して回帰木をブースティングする方法と回帰木のランダムフォレスト[12]を成長させる方法については、アンサンブル回帰を参照してください。

アプリ

分類学習器

教師あり機械学習を使用して、データを分類するようにモデルを学習させる

ブロック

ClassificationEnsemble Predict

決定木のアンサンブルを使用して観測値を分類

関数

すべて展開する

学習器テンプレートの作成

`templateDiscriminant`	判別分析分類器テンプレート
`templateECOC`	誤り訂正出力符号学習器のテンプレート
`templateEnsemble`	アンサンブル学習テンプレート
`templateKNN`	k 最近傍分類器テンプレート
`templateLinear`	線形分類学習器テンプレート
`templateNaiveBayes`	単純ベイズ分類器テンプレート
`templateSVM`	サポートベクターマシンテンプレート
`templateTree`	決定木テンプレートの作成

アンサンブル分類

アンサンブル分類の作成

`fitcensemble`	アンサンブル学習器を分類用に準備
`compact`	コンパクトなアンサンブル分類

アンサンブル分類の変更

`resume`	学習アンサンブルの再開
`removeLearners`	コンパクトアンサンブル分類のメンバーの削除

アンサンブル分類の解釈

`lime`	Local Interpretable Model-agnostic Explanations (LIME)
`partialDependence`	部分従属の計算
`plotPartialDependence`	部分依存プロット (PDP) および個別条件付き期待値 (ICE) プロットの作成
`predictorImportance`	決定木の分類アンサンブルに関する予測子の重要度の推定
`shapley`	シャープレイ値

アンサンブル分類の交差検証

`crossval`	アンサンブルの交差検証
`kfoldEdge`	交差検証済み分類モデルの分類エッジ
`kfoldLoss`	交差検証済み分類モデルの分類損失
`kfoldMargin`	交差検証済み分類モデルの分類マージン
`kfoldPredict`	交差検証済み分類モデルの観測値の分類
`kfoldfun`	分類での関数の交差検証

パフォーマンスの測定

`loss`	分類誤差
`resubLoss`	再置換による分類誤差
`compareHoldout`	新しいデータを使用して 2 つの分類モデルの精度を比較
`edge`	分類エッジ
`margin`	分類マージン
`resubEdge`	再代入による分類エッジ
`resubMargin`	再代入による分類マージン
`testckfold`	交差検証の反復により 2 つの分類モデルの精度を比較

観測値の分類

`predict`	分類モデルのアンサンブルを使用して観測値を分類
`resubPredict`	分類モデルのアンサンブル内の観測値を分類
`oobPredict`	アンサンブルの out-of-bag 応答を予測する

アンサンブル分類のプロパティの収集

gather GPU からのStatistics and Machine Learning Toolboxオブジェクトのプロパティの収集

バギング分類木

`TreeBagger`	決定木の bag of trees の作成
`fitcensemble`	アンサンブル学習器を分類用に準備
`predict`	バギングされた決定木のアンサンブルの使用による応答の予測
`oobPredict`	out-of-bag 観測に対するアンサンブル予測

マルチクラス ECOC

ECOC の作成

`fitcecoc`	サポートベクターマシンまたはその他の分類器向けのマルチクラスモデルの近似
`compact`	マルチクラス誤り訂正出力符号 (ECOC) モデルのサイズを縮小

ECOC の変更

discardSupportVectors ECOC モデルの線形 SVM バイナリ学習器のサポートベクターを破棄

ECOC の解釈

`lime`	Local Interpretable Model-agnostic Explanations (LIME)
`partialDependence`	部分従属の計算
`plotPartialDependence`	部分依存プロット (PDP) および個別条件付き期待値 (ICE) プロットの作成
`shapley`	シャープレイ値

ECOC の交差検証

`crossval`	マルチクラス誤り訂正出力符号 (ECOC) モデルの交差検証
`kfoldEdge`	交差検証済み ECOC モデルの分類エッジ
`kfoldLoss`	交差検証済み ECOC モデルの分類損失
`kfoldMargin`	交差検証済み ECOC モデルの分類マージン
`kfoldPredict`	交差検証済み ECOC モデルの観測値の分類
`kfoldfun`	交差検証済み ECOC モデルを使用する交差検証関数

パフォーマンスの測定

`loss`	マルチクラス誤り訂正出力符号 (ECOC) モデルの分類損失
`resubLoss`	マルチクラス誤り訂正出力符号 (ECOC) モデルの再代入分類損失
`compareHoldout`	新しいデータを使用して 2 つの分類モデルの精度を比較
`edge`	マルチクラス誤り訂正出力符号 (ECOC) モデルの分類エッジ
`margin`	マルチクラス誤り訂正出力符号 (ECOC) モデルの分類マージン
`resubEdge`	マルチクラス誤り訂正出力符号 (ECOC) モデルの再代入分類エッジ
`resubMargin`	マルチクラス誤り訂正出力符号 (ECOC) モデルの再代入分類マージン
`testckfold`	交差検証の反復により 2 つの分類モデルの精度を比較

観測値の分類

`predict`	マルチクラス誤り訂正出力符号 (ECOC) モデルを使用して観測値を分類
`resubPredict`	マルチクラス誤り訂正出力符号 (ECOC) モデル内の観測値を分類

ECOC のプロパティの収集

gather GPU からのStatistics and Machine Learning Toolboxオブジェクトのプロパティの収集

クラス

すべて展開する

アンサンブル分類

`ClassificationEnsemble`	アンサンブル分類器
`CompactClassificationEnsemble`	コンパクトなアンサンブル分類のクラス
`ClassificationPartitionedEnsemble`	交差検証アンサンブル分類

バギング分類木

`TreeBagger`	決定木の bag of trees
`CompactTreeBagger`	バギングにより成長させた決定木のコンパクトなアンサンブル
`ClassificationBaggedEnsemble`	リサンプリングにより成長させたアンサンブル分類

マルチクラス ECOC

`ClassificationECOC`	サポートベクターマシン (SVM) などの分類器用のマルチクラスモデル
`CompactClassificationECOC`	サポートベクターマシン (SVM) などの分類器用のコンパクトなマルチクラスモデル
`ClassificationPartitionedECOC`	サポートベクターマシン (SVM) またはその他の分類器向けの交差検証済みマルチクラス ECOC モデル

トピック

分類学習器アプリを使用したアンサンブル学習器の学習
アンサンブル分類器を作成および比較し、新しいデータについて予測を行うため学習済みモデルをエクスポートします。
アンサンブル学習のフレームワーク
多数の弱学習器を使用することにより、非常に正確な予測を行います。
アンサンブルアルゴリズム
さまざまなアンサンブル学習のアルゴリズムについて学びます。
アンサンブル分類に学習をさせる
単純なアンサンブル分類に学習をさせます。
アンサンブル品質テスト
アンサンブルの予測品質を評価する方法について学びます。
アンサンブル分類における不均衡データまたは一様ではない誤分類コストの処理
クラスの事前確率と誤分類コストを設定する方法について学びます。
不均衡データでの分類
1 つ以上のクラスが大きい比率を占めるデータの場合は、分類に RUSBoost アルゴリズムを使用します。
小さいアンサンブルでの LPBoost と TotalBoost
LPBoost および TotalBoost アルゴリズムを使用して小さいアンサンブルを作成します。(LPBoost と TotalBoost には Optimization Toolbox™ が必要です)。
RobustBoost の調整
予測精度を高めるために RobustBoost のパラメーターを調整します (RobustBoost には Optimization Toolbox が必要です)。
代理分岐
代理分岐を使用して、欠損データがある場合の予測性能を向上させます。
アンサンブル分類の並列学習
バギングアンサンブルの並列で再現性のある学習を行う。
TreeBagger の使用による分類木の bootstrap aggregation (バギング)
分類用のTreeBaggerアンサンブルを作成する。
決定木のバギングによる格付け
この例では、自動信用格付けツールの作成方法を示します。
ランダム部分空間の分類
ランダム部分空間アンサンブルを使用して分類の精度を向上させます。
ClassificationEnsemble Predict ブロックの使用によるクラスラベルの予測
最適なハイパーパラメーターでアンサンブル分類モデルの学習を行い、ClassificationEnsemble Predictブロックをラベル予測に使用する。