ドキュメンテーション

最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

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。

対話的にアンサンブル分類を調べるには、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 [11] 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 [11] 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

関数

すべて展開する

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
templateKNNk 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
fitcensembleアンサンブル学習器を分類用に準備
predict分類モデルのアンサンブルの使用によるラベルの予測
oobPredictアンサンブルの out-of-bag 応答を予測する
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
oobPredictout-of-bag 観測に対するアンサンブル予測
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
templateSVMサポート ベクター マシン テンプレート
predictマルチクラス誤り訂正出力符号モデルの使用によるラベルの予測

クラス

すべて展開する

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
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
ClassificationECOC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
CompactClassificationECOCサポート ベクター マシンまたはその他の分類器向け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。

カテゴリカル レベルの数が多い分類

カテゴリカル レベルの数が多い予測子が含まれているデータを使用して分類木のアンサンブルに学習をさせます。

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。

分類木のブートストラップ集約 (バギング)

分類用の TreeBagger アンサンブルを作成します。

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。