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。
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。
トピック
一般的なワークフロー
- 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。 - Generate MATLAB Code to Train Model with New Data
After training a model in Classification Learner, generate MATLAB® code. - 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
分類学習器でモデルに学習させた後、新しいデータで予測を行うためにワークスペースにモデルをエクスポートし、MATLAB Compiler™ にモデルを展開する。 - Export Classification Model to Make Predictions in Simulink
Train a model in Classification Learner, and then export the model to Simulink®. - Export Classification Model for Deployment to MATLAB Production Server
After training a model in Classification Learner, export the model for deployment to MATLAB Production Server™. - Export Classification Model to MATLAB Coder to Generate C/C++ Code
Train a model in Classification Learner, and then export the model to MATLAB Coder™ to generate C/C++ code for prediction. - 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。
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 permutation importance plots, 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。 - 機械学習アプリからエクスポートされたモデルを使用したコマンド ラインでのコード生成
分類学習器アプリを使用して分類モデルに学習させ、MATLAB コマンド ラインで予測用の 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。 - スマートフォン展開用の行動認識 Simulink モデル
スマートフォンへの展開用に準備された Simulink の分類モデルからコードを生成します。
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。
関連情報
- MATLAB の機械学習
- 実験の管理 (Deep Learning Toolbox)
