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

ブロック

ClassificationTree Predict

決定木分類器の使用による観測値の分類 (R2021a 以降)

関数

すべて展開する

分類木の作成

`fitctree`	マルチクラス分類用の二分決定木を当てはめる
`compact`	分類木モデルのサイズの縮小
`prune`	分類木の枝刈りによる分類部分木のシーケンスの生成

分類木の改善

cvloss 分類木モデルの交差検証による分類誤差

分類木の解釈

`lime`	Local Interpretable Model-agnostic Explanations (LIME) (R2020b 以降)
`nodeVariableRange`	決定木ノードの変数範囲の取得 (R2020a 以降)
`partialDependence`	部分依存の計算 (R2020b 以降)
`permutationImportance`	Predictor importance by permutation (R2024a 以降)
`plotPartialDependence`	部分依存プロット (PDP) および個別条件付き期待値 (ICE) プロットの作成
`predictorImportance`	Estimates of predictor importance for classification tree
`shapley`	シャープレイ値 (R2021a 以降)
`surrogateAssociation`	分類木における代理分岐に対する関連性の平均予測尺度
`view`	View classification tree

分類木の交差検証

`crossval`	機械学習モデルの交差検証
`kfoldEdge`	交差検証済み分類モデルの分類エッジ
`kfoldLoss`	交差検証済み分類モデルの分類損失
`kfoldMargin`	交差検証済み分類モデルの分類マージン
`kfoldPredict`	交差検証済み分類モデルの観測値の分類
`kfoldfun`	分類での関数の交差検証

パフォーマンスの測定

`loss`	分類木モデルの分類損失
`resubLoss`	分類木モデルの再代入分類損失
`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`	Classification edge for classification tree model
`margin`	Classification margins for classification tree model
`resubEdge`	分類木モデルの再代入分類エッジ
`resubMargin`	分類木モデルの再代入分類マージン
`testckfold`	交差検証の反復により 2 つの分類モデルの精度を比較

観測値の分類

`predict`	分類木モデルを使用したラベルの予測
`resubPredict`	再代入による分類木の観測値の分類

分類木のプロパティの収集

gather GPU からの Statistics and Machine Learning Toolbox オブジェクトのプロパティの収集 (R2020b 以降)

オブジェクト

`ClassificationTree`	Binary decision tree for multiclass classification
`CompactClassificationTree`	コンパクトな分類木
`ClassificationPartitionedModel`	Cross-validated classification model

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当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、fitctree と fitrtree 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
fitctree と fitrtree 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。
ClassificationTree Predict ブロックの使用によるクラスラベルの予測
分類学習器アプリを使用して分類決定木モデルの学習を行い、ClassificationTree Predict ブロックをラベル予測に使用する。
固定小数点展開用の行動認識 Simulink モデル
固定小数点展開用に準備された Simulink^® の分類モデルからコードを生成する。
Identify Punch and Flex Hand Gestures Using Machine Learning Algorithm on Arduino Hardware (Simulink)
This example shows how to use the Simulink® Support Package for Arduino® Hardware to identify punch and flex hand gestures using a machine learning algorithm. The example is deployed on an Arduino Nano 33 IoT hardware board that uses an onboard LSM6DS3 6DOF IMU sensor to identify the hand gestures. The output from the machine learning algorithm, after identifying whether a hand gesture is a punch or a flex, is transmitted to the serial port where 0 represents a punch and 1 represents a flex.