分類学習器アプリ

分類モデルの対話的な学習、検定、調整

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ついては、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。

Workflow in the Classification Learner app. Step 1: Select data and validation. Step 2: Choose classifier options. Step 3: Train a classifier. Step 4: Assess classifier performance. Step 5: Export the classifier.

分類学習器で学習させたいずれかのモデルを使用して実験を実行する場合は、モデルを実験マネージャーアプリにエクスポートできます。詳細については、分類学習器から実験マネージャーへのモデルのエクスポート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
実験マネージャー	機械学習モデルの学習および比較に向けた実験の設計と実行 (R2023a 以降)

トピック

一般的なワークフロー

分類学習器アプリにおける分類モデルの学習
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ークフローです。
分類用のデータの選択または保存したアプリセッションを開く
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て、データをテスト用に確保する。あるいは、前に保存したアプリセッションを開く。
分類器のオプションの選択
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、カーネル近似、アンサンブル、およびニューラルネットワークのモデルでオプションを比較および調整する。
分類学習器における分類器の性能の可視化と評価
モデルの精度の値を比較し、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する。
新しいデータを予測するための分類モデルのエクスポート
分類学習器で学習を行った後で、モデルのワークスペースへのエクスポート、MATLAB^® コードの生成、予測用の C コードの生成、または展開用のモデルの MATLAB Production Server™ へのエクスポートを実行する。
分類学習器アプリを使用した決定木の学習
分類木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判別分析分類器の学習
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。
分類学習器アプリを使用したバイナリ GLM ロジスティック回帰分類器の学習
バイナリ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に学習済みモデルをエクスポートする。
Train Naive Bayes Classifiers Using Classification Learner App
Create and compare naive Bayes classifiers, and export trained models to make predictions for new data.
分類学習器アプリを使用したサポートベクターマシンの学習
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。
分類学習器を使用した最近傍分類器の学習
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。
分類学習器アプリを使用したカーネル近似の分類器の学習
カーネル近似の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。
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。
分類学習器アプリを使用したニューラルネットワーク分類器の学習
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。

カスタマイズされたワークフロー

分類学習器アプリの使用による特徴選択と特徴変換
分類学習器で、プロットまたは特徴ランク付けアルゴリズムを使用して有用な予測子を識別し、含める特徴量を選択し、PCA を使用して特徴量を変換する。
分類学習器アプリの誤分類コスト
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。
分類学習器アプリのハイパーパラメーターの最適化
ハイパーパラメーターの最適化を使用して分類モデルのハイパーパラメーターを自動的に調整します。
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テストセットを使用した分類器の性能チェック
テストセットを分類学習器にインポートし、最適な学習済みモデルのテストセットメトリクスをチェックする。
Explain Model Predictions for Classifiers Trained in Classification Learner App
To understand how trained classifiers use predictors to make predictions, use global and local interpretability tools, such as partial dependence plots, LIME values, and Shapley values.
Use Partial Dependence Plots to Interpret Classifiers Trained in Classification Learner App
Determine how features are used in trained classifiers by creating partial dependence plots.
分類学習器アプリのプロットのエクスポート
学習の前後で作成したプロットをエクスポートおよびカスタマイズします。
コード生成と分類学習器アプリ
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++ コードを生成する。
分類学習器で学習させたバイナリ GLM ロジスティック回帰モデルのコード生成
この例では、分類学習器を使用してバイナリ GLM 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。
分類学習器で学習させたモデルの MATLAB Production Server への展開
分類学習器でモデルに学習させ、MATLAB Production Server への展開用にエクスポートする。
産業機械と製造工程の条件モデルの作成
分類学習器アプリを使用してバイナリ分類モデルに学習させて、産業製造機械から収集されたセンサーデータの異常を検出する。

実験マネージャーのワークフロー

分類学習器から実験マネージャーへのモデルのエクスポート
実験を複数実行するために分類モデルを実験マネージャーにエクスポートする。
実験マネージャーを使用した分類モデルの調整
実験マネージャーでさまざまな学習データセット、ハイパーパラメーター、可視化を使用して効率的な線形分類器を調整する。

分類学習器アプリ

アプリ

トピック

一般的なワークフロー

カスタマイズされたワークフロー

実験マネージャーのワークフロー

関連情報