このペ,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。
分類学習器アプリでハパパラメタの最適化を使用した分類器の学習
この例では,分類学習器アプリでハイパーパラメーターの最適化を使用して分類サポートベクターマシン(SVM)モデルのハイパーパラメーターを調整する方法を示します。学習済み最適化可能なSVMの検定セット性能を,事前設定された最適なSVMモデルと比較します。
MATLAB®コマンドウィンドウで,
电离层
デ,タセットを読み込み,デ,タが含まれている表を作成します。表を学習セットと検定セットに分割します。负载电离层tbl = array2table(X);资源描述。Y = Y;rng (“默认”)%用于数据分割的再现性分区= cvpartition(Y,“坚持”, 0.15);idxTrain =训练(分区);%训练集的指数tblTrain = tbl(idxTrain,:);tblTest = tbl(~idxTrain,:);
分類学習器を開きます。[アプリ]タブをクリックしてから,[アプリ]セクションの右にある矢印をクリックしてアプリギャラリ,を開きます。[機械学習および深層学習]グル,プの[分類学習器]をクリックします。
[分類学習器]タブの[ファ电子邮箱ル]セクションで,[新規セッション],[ワ.クスペ.スから]を選択します。
[ワ,クスペ,スからの新規セッション]ダ,[デ,タセット変数]のリストから表
(tblTrain)
を選択します。ダesc escアログボックスに示されているように,応答変数および予測子変数が選択されます。既定の応答変数は
[Y]
です。既定の検定オプションは5分割交差検証であり,過適合が防止されます。この例では,既定の設定を変更しないでください。既定のオプションをそのまま使用して続行するため,[セッションの開始]をクリックします。
事前設定されたすべての支持向量机モデルに学習させます。[分類学習器]タブの[モデルタ电子邮箱プ]セクションで矢印をクリックしてギャラリ,を開きます。[サポ,トベクタ,マシン]グル,プで[すべてのsvm]をクリックします。[学習]セクションで[学習]をクリックします。各SVMモデルタaaplプに学習させて,モデルを[モデル]ペ@ @ンに表示します。
ヒント
并行计算工具箱を使用している場合,[学習]セクションにある[並列の使用]ボタンを選択してから[学習]をクリックすることにより,すべてのSVMモデル([すべてのsvm])を同時に学習させることができます。[学習]をクリックすると[並列プ,ルを開いています]ダ@ @アログボックスが開いたままになります。同時に,ワ,カ,の並列プ,ルが開きます。この間,ソフトウェアの対話的な操作はできません。プ,ルが開いた後,svmモデルの学習が同時に行われます。
最初のモデル(モデル1.1)の検証の混同行列が表示されます。青色の値は正しい分類を示し,赤色の値は誤った分類を示します。左の[モデル]ペ@ @ンに各モデルの検証精度が表示されます。
メモ
検証により,結果に無作為性が導入されます。実際のモデルの検証結果は,この例に示されている結果と異なる場合があります。
学習させる最適化可能な支持向量机モデルを選択します。[分類学習器]タブの[モデルタ电子邮箱プ]セクションで矢印をクリックしてギャラリ,を開きます。[サポ,トベクタ,マシン]グル,プで[最適化可能なsvm]をクリックします。最適化可能なモデルを選択すると[並列の使用]ボタンが無効になります。
最適化するモデルハパパラメタを選択します。[モデルタ电子邮箱プ]セクションで[詳細設定]、[詳細設定]を選択します。ダアログボックスが開き,ここで最適化するハパパラメタの[最適化]チェックボックスを選択できます。。この例では,[カ,ネル関数]および[デ,タの標準化]の[最適化]チェックボックスをオフにします。カ,ネル関数に
[ガウス]
以外の固定値がある場合は,既定で[カ,ネルスケ,ル]の[最適化]チェックボックスがオフにされます。[ガウス]
カ,ネル関数を選択し,[カ,ネルスケ,ル]の[最適化]チェックボックスを選択します。(好的)をクリックします。[学習]セクションで[学習]をクリックします。
最適化プロセスが実行されると[最小分類誤差のプロット]が表示されます。反復ごとに,ハイパーパラメーター値の異なる組み合わせが試され,その反復までに観測された最小の検証分類誤差をもつプロットが更新され,濃い青で示されます。最適化プロセスが完了すると,最適化された一連のハイパーパラメーターが選択され,赤の四角形で示されます。詳細は,最小分類誤差のプロットを参照してください。
最適化されたハパパラメタはプロットの右の[最適化の結果]セクションと[現在のモデルの概要]ペereplicationンの[最適化されたハ]セクションの両方に一覧表示されます。
メモ
一般に,最適化の結果に再現性はありません。
学習済みの事前設定された支持向量机モデルを学習済み最適化可能なモデルと比較します。[モデル]ペesc escンで,最高の[精度 (検証)]が四角で囲まれて強調表示されます。この例では,学習済み最適化可能な SVM モデルが 6 つの事前設定されたモデルよりも優れています。
学習済み最適化可能なモデルに,学習済みの事前設定されたモデルよりも高い精度が必ずあるとは限りません。学習済みの最適化可能なモデルが適切に機能しない場合,より長く最適化を実行してより優れた結果が得られるように試すことができます。[モデルタ电子邮箱プ]セクションで[詳細設定],[オプティマor or or or or or or or or or or or or or or or or orを選択します。ダ@ @アログボックスで[反復]の値を増やします。たとえば,既定値の
30.
をダブルクリックし,値60
を入力します。次に,(好的)をクリックします。ハイパーパラメーター調整は過適合モデルになることがよくあるため,最適化されたSVMモデルの性能を検定セットでチェックし,事前設定された最適なSVMモデルの性能と比較します。はじめに、アプリに検定デ、タを、ンポ、トします。
[分類学習器]タブの[検定]セクションで,[検定デ,タ],[ワ,クスペ,スから]を選択します。
[検定デ,タの,ンポ,ト]ダ,,[検定デ,タセット変数]のリストから表
(tblTest)
を選択します。ダesc escアログボックスに示されているように,応答変数および予測子変数が特定されます。
[huawei @ huawei @ huawei @ huawei @ huawei @ huawei]をクリックします。
tblTest
デ,タで,事前設定された最適なモデルと最適化可能なモデルの精度を計算します。最初に,[モデル]ペereplicationンで[中程度のガウスsvm]モデルと[最適化可能なsvm]モデルの横にある星形ア@ @コンをクリックします。
各モデルに対して,[モデル]ペ电子邮箱ンでモデルを選択してから,[検定]セクションで[すべて検定],[選択項目を検定]を選択します。学習デ,タと検証デ,タを含むデ,タセット全体で学習させたモデルの検定セットの性能が計算されます。
検定セットの精度に基づいてモデルを並べ替えます。[モデル]ペereplicationンで[並べ替え]リストを開き,
[精度 (検定)]
を選択します。この例では,学習済みの最適化可能なモデルは,検定セットデータで学習済みの事前設定されたモデルほど効果的に機能しません。
モデルの検定セット性能を視覚的に比較します。星マ,クが付いたモデルごとに,[モデル]ペ@ @ンでモデルを選択します。[分類学習器]タブの[プロット]セクションで矢印をクリックしてギャラリ,を開き,[テスト結果]グル,プの[混同行列 (検定)]をクリックします。
比較しやすくするためにプロットのレ@ @アウトを再編成します。まず,(模型1.1)の検証の混同行列を閉じます。次に,[分類学習器]タブの[プロット]セクションで[レ电子邮箱アウト]ボタンをクリックし,[モデルの比較]を選択します。プロットの右上にある[プロットオプションを非表示]ボタンをクリックして,プロットのスペ,スを大きくします。
元のレ电子邮箱アウトに戻すには,[プロット]セクションで[レ电子邮箱アウト]ボタンをクリックし,[単一モデル(既定)]を選択します。