アンサンブル分類
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。
対話的に分類アンサンブルを調べるには、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 [12] 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。詳細については、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 [12] 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 |
ブロック
ClassificationEnsemble Predict | 決定木のアンサンブルを使用して観測値を分類 (R2021a 以降) |
ClassificationECOC Predict | 誤り訂正出力符号 (ECOC) 分類モデルを使用して観測値を分類 (R2023a 以降) |
IncrementalClassificationECOC Predict | Classify observations using incremental ECOC classification model (R2024a 以降) |
関数
オブジェクト
クラス
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。
- 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。
- 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
- 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。
- アンサンブル分類の並列学習
バギング アンサンブルの並列で再現性のある学習を行う。
- TreeBagger の使用による分類木の bootstrap aggregation (バギング)
分類用の
TreeBagger
アンサンブルを作成する。 - 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。
- ClassificationEnsemble Predict ブロックの使用によるクラス ラベルの予測
最適なハイパーパラメーターでアンサンブル分類モデルの学習を行い、ClassificationEnsemble Predict ブロックをラベル予測に使用する。
- ClassificationECOC Predict ブロックの使用によるクラス ラベルの予測
ECOC 分類モデルの学習を行い、ClassificationECOC Predict ブロックをラベル予測に使用する。 (R2023a 以降)