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。

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。

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

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。

データの選択と分類問題の検証

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、最近傍およびアンサンブル モデルでオプションを比較および調整します。

分類学習器における分類器の性能評価

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。

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、モデルをワークスペースにエクスポートし、予測用の MATLAB® コードまたは C コードを生成します。

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ロジスティック回帰分類器の学習

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。

分類学習器アプリの使用による単純ベイズ分類器の学習

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。

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。

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

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。