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。

分類木

マルチクラス学習用の二分決定木

対話的に分類木を成長させるには、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 ラインで fitctree を使用して分類木を成長させます。分類木を成長させた後で、木と新しい予測子データを predict に渡してラベルを予測します。

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

関数

すべて展開する

fitctreeマルチクラス分類用のバイナリ決定木をあてはめる
compactコンパクトなツリー
prune枝刈りによるサブツリーのシーケンスの作成
cvloss交差検証による分類誤差
predictorImportance予測子の重要度の推定
surrogateAssociation決定木における代理分岐に対する関連性の平均予測尺度
viewツリーの表示
crossval交差検証を使用した決定木
kfoldEdge学習で使用しない観測値の分類エッジ
kfoldLoss学習で使用しない観測の分類損失
kfoldfun交差検証関数
kfoldMargin学習で使用しない観測の分類マージン
kfoldPredict学習で使用しない観測の予測応答
loss分類誤差
resubLoss再置換による分類誤差
compareHoldout新しいデータを使用して 2 つの分類モデルの精度を比較
edge分類エッジ
margin分類マージン
resubEdge再代入による分類エッジ
resubMargin再代入による分類マージン
predict分類木の使用によるラベルの予測
resubPredict分類木の再代入ラベルを予測

クラス

ClassificationTree分類に使用される二分決定木
CompactClassificationTreeコンパクトな分類木
ClassificationPartitionedModel交差検証分類モデル

トピック

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。

教師あり学習のワークフローとアルゴリズム

教師あり学習の手順とノンパラメトリック分類および回帰関数の特性を理解します。

決定木

決定木について、および決定木をデータにあてはめる方法について理解します。

決定木の成長

既定の設定では、fitctreefitrtree は決定木を成長させるために標準 CART アルゴリズムを学習データに適用します。

決定木の表示

学習済みの決定木のテキストまたはグラフィック表現を作成および表示します。

各種分類器の決定面の可視化

この例では、各種の分類アルゴリズムについて決定面を可視化する方法を示します。

分類木のカテゴリカル予測子の分割

決定木を成長させるときに、多数のレベルがあるカテゴリカル変数を最適な方法で分割する、ヒューリスティック アルゴリズムについて学びます。

分類木および回帰木の改善

fitctreefitrtree で名前と値のペアの引数を設定することによって、木を調整します。

分類木と回帰木を使用した予測

学習済みの分類木と回帰木を使用してクラス ラベルまたは応答を予測します。

部分木の標本外応答の予測

学習済みの回帰木を使用して新しいデータに対する応答を予測してから、結果をプロットします。