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。

分類

• 分類学習器アプリ
  分類モデルの対話的な学習,検定,調整
  
• 分類木
  マルチクラス学習用の二分決定木
  
• 判別分析
  正規化された線形および2次判別分析
  
• 単純ベイズ
  ガウス,多項またはカーネル予測子がある単純ベイズモデル
  
• 最近傍
  Kd木探索を使用するk最近傍分類
  
• サポートベクターマシン分類
  バイナリまたはマルチクラス分類用のサポートベクターマシン
  
• 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
  
• 一般化加法モデル
  バイナリ分類用の一変量および二変量形状関数から構成される解釈可能なモデル
  
• ニューラルネットワーク
  バイナリおよびマルチクラス分類用のニューラルネットワーク
  
• インクリメンタル学習
  分類モデルのストリーミングデータへのあてはめと,そのパフォーマンスの追跡
  
• 分類用の半教師あり学習
  半教師あり学習のグラフベースおよび自己学習の手法
  
• 解釈可能性
  解釈可能な分類モデルの学習と複雑な分類モデルの解釈
  
• モデルの作成と評価
  特徴選択,特徴量エンジニアリング,モデル選択,ハイパーパラメーターの最適化,交差検証,予測性能の評価,および分類精度の比較検定
  

注目の例

ベイズ最適化による分類器の自動選択

fitcautoを使用し,指定した学習予測子と応答データに基づいてさまざまなハイパーパラメーターの値をもつ分類モデルのタイプの選択を自動的に試します。

ライブスクリプトを開く

ベイズ最適化を使用したモデル選択の自動化への移行

この例では,複数の分類モデルをビルドし,それらのハイパーパラメーターを最適化して,検定データセットでの性能が最適なモデルを選択する方法を示します。

ライブスクリプトを開く

スタッキングアンサンブルへの異種混合モデルの結合

この例では,特定の学習データセットに対して複数の機械学習モデルをビルドし,“スタッキング”と呼ばれる手法を使用してモデルを結合し,個々のモデルの精度に対する検定データセットの精度を向上させる方法を示します。

ライブスクリプトを開く

分類

この例では,判別分析,単純ベイズ分類器,決定木による分類を実行する方法を示します。

スクリプトを開く

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。

スクリプトを開く