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。
バイナリ問題またはマルチクラス問題用に分類モデルの学習と検定を行うための各種のアルゴリズムから選択します。複数のモデルに学習をさせた後で,検証誤差を並べて比較し,最適なモデルを選択します。使用するアルゴリズムの決定方法にいては,分類学習器アプリにおける分類モデルの学習を参照してください。
このフローチャートは,分類学習器アプリで分類モデル,または分類器に学習させるための一般的なワークフローを示しています。
分類学習器 | 教師あり機械学習を使用して,デ,タを分類するようにモデルを学習させる |
自動,手動および並列学習など,分類モデルの学習,比較および改善を行うためのワ,クフロ,です。
ワークスペースまたはファイルから分類学習器にデータをインポートし,サンプルデータセットを探し,交差検証またはホールドアウト検証オプションを選択します。
分類学習器で,選択したモデルに自動的に学習させるか,決定木,判別分析,ロジスティック回帰,単純ベイズ,サポートベクターマシン,最近傍,アンサンブルおよびニューラルネットワークモデルでオプションを比較および調整する。
モデルの精度のスコアを比較し,クラスの予測をプロットすることにより結果を可視化し,混同行列でクラスごとの性能をチェックします。
分類学習器で学習を行った後で,モデルをワ,クスペ,スにエクスポ,トし,予測用のmatlab®コドまたはcコドを生成します。
分類木を作成および比較し,新しいデタにいて予測を行うため学習済みモデルをエクスポトします。
判別分析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。
ロジスティック回帰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。
単純ベイズ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する。
サポートベクターマシン(SVM)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。
最近傍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。
分類学習器アプリを使用したニュ,ラルネットワ,ク分類器の学習
ニューラルネットワーク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する。
プロットを使用して有用な予測子を識別し,含める特徴量を手動で選択し,分類学習器でPCAを使用して特徴量を変換します。
分類モデルに学習させる前に,クラス間での観測値の誤分類に関連付けられるコストを指定します。
分類学習器アプリの誤分類コストを使用した分類器の学習および比較
誤分類コストを指定した後に分類器を作成し,モデルの精度および総誤分類コストを比較します。
ハパパラメタの最適化を使用して分類モデルのハパパラメタを自動的に調整します。
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
最適化されたハイパーパラメーターで分類サポートベクターマシン(SVM)モデルに学習させます。
分類学習器アプリにおける検定セットを使用した分類器の性能チェック
検定セットを分類学習器に。
学習の前後で作成したプロットをエクスポトおよびカスタマズします。
分類学習器アプリを使用して分類モデルに学習をさせ,予測用のc / c++コ,ドを生成する。
この例では,分類学習器を使用してロジスティック回帰モデルに学習させ,エクスポートされた分類モデルを使用してラベルを予測するCコードを生成する方法を示します。