ClassificationTree クラス

スーパークラス: CompactClassificationTree

マルチクラス分類用の二分決定木

説明

ClassificationTree オブジェクトは、分類用にバイナリ分割を行う決定木を表します。このクラスのオブジェクトは、predict メソッドを使用して新しいデータに対する応答を予測できます。オブジェクトには学習に使用したデータが含まれているので、再代入予測も計算できます。

構築

ClassificationTree オブジェクトの作成には fitctree を使用します。

プロパティ

`BinEdges`	数値予測子のビンのエッジ。p 個の数値ベクトルが含まれている cell 配列を指定します。p は予測子の個数です。各ベクトルには、数値予測子のビンのエッジを含めます。カテゴリカル予測子はビン化されないので、カテゴリカル予測子の場合は、この cell 配列の要素を空にします。数値予測子がビン化されるのは、木学習器を使用してモデルに学習をさせるときに名前と値の引数 `'NumBins'` として正の整数スカラーを指定した場合だけです。`'NumBins'` の値が空 (既定) である場合、`BinEdges` プロパティは空になります。学習済みモデル `mdl` の `BinEdges` プロパティを使用することにより、ビン化された予測子データ `Xbinned` を再現できます。 X = mdl.X; % Predictor data Xbinned = zeros(size(X)); edges = mdl.BinEdges; % Find indices of binned predictors. idxNumeric = find(~cellfun(@isempty,edges)); if iscolumn(idxNumeric) idxNumeric = idxNumeric'; end for j = idxNumeric x = X(:,j); % Convert x to array if x is a table. if istable(x) x = table2array(x); end % Group x into bins by using the `discretize` function. xbinned = discretize(x,[-inf; edges{j}; inf]); Xbinned(:,j) = xbinned; end 数値予測子の場合、1 からビンの個数までの範囲にあるビンのインデックスが `Xbinned` に格納されます。カテゴリカル予測子の場合、`Xbinned` の値は 0 になります。`X` に `NaN` が含まれている場合、対応する `Xbinned` の値は `NaN` になります。
`CategoricalPredictors`	カテゴリカル予測子のインデックス。正の整数のベクトルとして指定します。`CategoricalPredictors` には、対応する予測子がカテゴリカルであることを示すインデックス値が格納されます。インデックス値の範囲は 1 ～ `p` です。`p` はモデルの学習に使用した予測子の数です。どの予測子もカテゴリカルではない場合、このプロパティは空 (`[]`) になります。
`CategoricalSplit`	n 行 2 列の cell 配列。ここで `n` は、`tree` 内のカテゴリカル分割の数です。`CategoricalSplit` の各行は、カテゴリカル分割用の左と右の値になります。カテゴリカル予測子変数 `z` に基づくカテゴリカル分割をもつ各枝ノード `j` において、`z` が `CategoricalSplit(j,1)` にあれば左の子を選択し、`z` が `CategoricalSplit(j,2)` にあれば右の子を選択します。分割はツリーのノードと同じ順序で行われます。これらの分割用のノードは、`cuttype` を実行し `'categorical'` カットを上から下に選択すれば見つかります。
`Children`	`tree` の各ノードの子ノードの数を含む n 行 2 列の配列。ここで、n はノードの数です。葉ノードは子ノード `0` をもちます。
`ClassCount`	`tree` のノードのクラスカウントを表す n 行 k 列の配列。ここで、n はノード数、k はクラス数となります。任意のノード番号 `i` に対して、クラスカウント `ClassCount(i,:)` はノード `i` の条件を満たす各クラスからの (ツリーの近似に使用したデータからの) 観測カウント数です。
`ClassNames`	重複が削除された `Y` の要素のリスト。`ClassNames` には、categorical 配列、文字ベクトルの cell 配列、文字配列、logical ベクトル、数値ベクトルのいずれかを指定できます。`ClassNames` は、引数 `Y` のデータと同じデータ型です。(string 配列は文字ベクトルの cell 配列として扱われます)。
`ClassProbability`	`tree` のノードのクラス確率を表す n 行 k 列の配列。ここで、n はノード数、k はクラス数となります。任意のノード番号 `i` に対して、クラス確率 `ClassProbability(i,:)` は、ノード `i` の条件を満たすポイントに対する各クラスの推定確率です。
`Cost`	正方行列。`Cost(i,j)` は真のクラスが `i` である点をクラス `j` に分類するコストです (行は真のクラス、列は予測したクラスに対応します)。`Cost` の行と列の順序は、`ClassNames` のクラスの順序に対応します。`Cost` の行および列の数は、応答に含まれている一意なクラスの数です。このプロパティは読み取り専用です。
`CutCategories`	`tree` の分岐で使用されたカテゴリを表す n 行 2 列の cell 配列。n はノード数です。カテゴリカル予測子変数 `X` に基づく各枝ノード `i` に対して、`X` が `CutCategories{i,1}` 内のカテゴリである場合は左側の子が選択され、`X` が `CutCategories{i,2}` 内のカテゴリである場合は右側の子が選択されます。連続予測子に基づく枝ノードと葉ノードに対する `CutCategories` の列は両方とも空です。 `CutPoint` には `'continuous'` 切り取りの切り取り点が含まれ、`CutCategories` にはカテゴリセットが含まれます。
`CutPoint`	`tree` の切り取り点として使用される値を表す要素数 n のベクトル。ここで、n はノード数です。連続予測子変数 `X` に基づく各枝ノード `i` において、`X<CutPoint(i)` の場合は左側の子が選択され、`X>=CutPoint(i)` の場合は右側の子が選択されます。カテゴリカル予測子に基づく枝ノードと葉ノードに対する `CutPoint` は `NaN` です。 `CutPoint` には `'continuous'` 切り取りの切り取り点が含まれ、`CutCategories` にはカテゴリセットが含まれます。
`CutType`	`tree` の各ノードの切り取りのタイプを示す要素数 n の cell 配列。ここで、n はノード数です。各ノード `i` に対して `CutType{i}` は次のいずれかです。 `'continuous'` — 変数 `X` と切り取り点 `v` に対して、切り取りが `X < v` 形式で定義されている場合。 `'categorical'` — 変数 `X` がカテゴリセット内の値を受け取るかどうかによって切り取りが定義されている場合。 `''` — `i` が葉ノードの場合。 `CutPoint` には `'continuous'` 切り取りの切り取り点が含まれ、`CutCategories` にはカテゴリセットが含まれます。
`CutPredictor`	`tree` の各ノードの分岐に使用された変数名を示す要素数 n の cell 配列。n はノード数です。これらの変数は、"切り取り変数" と呼ばれることもあります。葉ノードの場合、`CutPredictor` には空の文字ベクトルが格納されます。 `CutPoint` には `'continuous'` 切り取りの切り取り点が含まれ、`CutCategories` にはカテゴリセットが含まれます。
`CutPredictorIndex`	`tree` の各ノードで分岐に使用される変数を対象とした、数値インデックスの n 要素配列。n はノード数です。詳細は、`CutPredictor`を参照してください。
`ExpandedPredictorNames`	展開された予測子名。文字ベクトルの cell 配列として格納されます。モデルがカテゴリカル変数用のエンコーディングを使用している場合、`ExpandedPredictorNames` には展開された変数を表す名前が格納されます。それ以外の場合、`ExpandedPredictorNames` は `PredictorNames` と同じです。
`HyperparameterOptimizationResults`	ハイパーパラメーターの交差検証最適化の説明。`BayesianOptimization` オブジェクト、またはハイパーパラメーターおよび関連する値が含まれているテーブルとして格納されます。作成時に名前と値のペア `OptimizeHyperparameters` が空ではない場合、これは空ではありません。値は、作成時の名前と値のペア `HyperparameterOptimizationOptions` の設定によって決まります。 `'bayesopt'` (既定) — `BayesianOptimization` クラスのオブジェクト `'gridsearch'` または `'randomsearch'` — 使用したハイパーパラメーター、観測された目的関数の値(交差検証損失)、および最低 (最良) から最高 (最悪) までの観測値の順位が格納されているテーブル
`IsBranchNode`	n 要素の logical ベクトルであり、`tree` の各枝ノードの場合は `true`、各葉ノードの場合は `false` になります。
`ModelParameters`	`tree` の学習に使用されるパラメーター。すべてのパラメーター値を表示するには、「`tree.ModelParameters`」と入力します。特定のパラメーターにアクセスするには、ドット表記を使用します。
`NumObservations`	学習データの観測値の数を表す数値スカラー。入力データ `X` または応答 `Y` に欠損値がある場合、`NumObservations` は `X` の行数より少なくなる場合があります。
`NodeClass`	`tree` の各ノードで最も確からしいクラスの名前と n 要素の cell 配列。ここで n はツリーのノード数を示します。この配列の各要素は、`ClassNames` に含まれているクラス名のいずれかに等しい文字ベクトルです。
`NodeError`	`tree` に含まれるノードの誤差の n 要素のベクトル。ここで、n はノード数です。`NodeError(i)` は、ノード `i` の誤分類の確率です。
`NodeProbability`	`tree` に含まれるノードの確率の n 要素のベクトル。ここで、 n はノード数です。ノードの確率は、ノードの条件を満たす元のデータから、観測の比率として計算されます。この比率は、各クラスに割り当てられている前の確率に対して調整されます。
`NodeRisk`	ツリーに含まれるノードのリスクを表す n 要素のベクトル。ここで、n はノード数です。各ノードのリスクは、ノード確率で重みが付けられたこのノードの不純度の測定基準 (ジニ指数または逸脱度) です。ツリーが twoing によって成長した場合、各ノードのリスクはゼロです。
`NodeSize`	`tree` に含まれるノードのサイズを表す n 要素のベクトル。ここで、 n はノード数です。ノードのサイズは、ノードの条件を満たすツリーを作成するために使用されるデータから、観測数として定義されます。
`NumNodes`	`tree` のノード数。
`Parent`	`tree` に含まれる各ノードの親ノードの数を含む n 要素のベクトル。ここで、n は、ノード数です。ルートノードの親は `0` です。
`PredictorNames`	予測子名が含まれている文字ベクトルの cell 配列。並びは `X` に現れる順です。
`Prior`	各クラスの事前確率の数値ベクトル。`Prior` の要素の順序は、`ClassNames` のクラスの順序に対応します。`Prior` の要素数は、応答に含まれている一意なクラスの数です。このプロパティは読み取り専用です。
`PruneAlpha`	枝刈りレベルごとに 1 つの要素をもつ数値ベクトル。枝刈りレベルの範囲が 0 ～ M の場合、`PruneAlpha` には昇順に並べ替えられた M + 1 要素が含まれます。`PruneAlpha(1)` は枝刈りレベル 0 (枝刈りなし) を表し、`PruneAlpha(2)` は枝刈りレベル 1 を表すというように続いていきます。
`PruneList`	`tree` の各ノードの枝刈りレベルをもつ n 要素の数値ベクトル。ここで n はノード数を示します。枝刈りレベルの範囲は 0 (枝刈りなし) から M です。M は最下位の葉からルートノードまでの距離です。
`ResponseName`	応答変数 (`Y`) の名前を指定する文字ベクトル。
`RowsUsed`	当てはめに使用した元の予測子データ (`X`) の行を示す n 要素の logical ベクトル。`X` のすべての行を使用した場合、`RowsUsed` は空の配列 (`[]`) になります。
`ScoreTransform`	予測された分類スコアを変換するための関数ハンドル、または組み込みの変換関数を表す文字ベクトル。 `none` は変換がないか、`@(x)x` であることを表します。スコア変換関数を `function` などに変更するには、ドット表記を使用します。使用可能な関数 (`fitctree` を参照) について、次のように入力します。 Mdl.ScoreTransform = 'function'; 使用可能な関数またはユーザー定義関数について、次のように入力すると関数ハンドルを設定できます。 tree.ScoreTransform = @function;
`SurrogateCutCategories`	`tree` の代理分岐に使用するカテゴリの n 要素の cell 配列。ここで n は `tree` のノード数です。各ノード `k` に対して、`SurrogateCutCategories{k}` は cell 配列です。`SurrogateCutCategories{k}` の長さは、このノードに見つかった代理予測子の数に等しくなります。`SurrogateCutCategories{k}` の各要素は、連続代理予測子の場合は空の文字ベクトル、カテゴリカル代理予測子の場合はカテゴリをもつ 2 要素 cell 配列になります。2 要素 cell 配列の最初の要素には、この代理分岐によって左の子に割り当てられたカテゴリがリストされ、この 2 要素 cell 配列の 2 番目の要素には、この代理分岐によって右の子に割り当てられたカテゴリがリストされます。各ノードにおける代理分岐変数の順序は、`SurrogateCutPredictor` によって返される変数の順序に一致します。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、`SurrogateCutCategories` には空のセルが含まれます。
`SurrogateCutFlip`	`tree` の代理分岐に使用する数値切り取り点の n 要素の cell 配列。ここで n は `tree` のノード数です。各ノード `k` に対して、`SurrogateCutFlip{k}` は数値ベクトルです。`SurrogateCutFlip{k}` の長さは、このノードに見つかった代理予測子の数に等しくなります。`SurrogateCutFlip{k}` の各要素はカテゴリカル代理予測子でゼロになるか、連続代理予測子で数値切り取り点の割り当てになります。数値切り取り点の割り当ては、-1 または +1 のいずれかになります。連続予測子変数 Z に基づく数値切り取り C が含まれるすべての代理分岐では、Z<C でこの代理分岐の切り取りの割り当てが +1 であるか、 Z≥C でこの代理分岐の切り取りの割り当てが -1 である場合に、左の子が選択されます。同様に、Z≥C でこの代理分岐の切り取り点割り当てが +1 であるか、 Z<C でこの代理分岐の切り取り点が -1 であれば右の子が選択されます。各ノードにおける代理分岐変数の順序は、`SurrogateCutPredictor` によって返される変数の順序に一致します。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、`SurrogateCutFlip` には空の配列が含まれます。
`SurrogateCutPoint`	`tree` の代理分岐に使用される数値の n 要素の cell 配列。ここで n は `tree` のノード数です。各ノード `k` に対して、`SurrogateCutPoint{k}` は数値ベクトルです。`SurrogateCutPoint{k}` の長さは、このノードに見つかった代理予測子の数に等しくなります。`SurrogateCutPoint{k}` の各要素は、カテゴリカル代理予測子で `NaN` になるか、連続代理予測子で数値切り取り点になります。連続予測子変数 Z に基づく数値切り取り C が含まれるすべての代理分岐では、Z<C であり、その代理分岐の `SurrogateCutFlip` が +1 である場合、または Z≥C であり、その代理分岐の `SurrogateCutFlip` が -1 である場合、左の子が選択されます。同様に、この代理分岐のZ≥C と `SurrogateCutFlip` が +1 であるか、もしくはこの代理分岐の Z<C と `SurrogateCutFlip` が -1 であれば右の子が選択されます。各ノードの代理分岐変数の順序は、`SurrogateCutPredictor` によって返される変数の順序に一致します。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、`SurrogateCutPoint` には空のセルが含まれます。
`SurrogateCutType`	`tree` の各ノードの代理分岐のタイプを示す n 要素の cell 配列。ここで n は `tree` のノード数です。各ノードの `k` で、`SurrogateCutType{k}` はこのノードの代理分岐変数のタイプをもつ cell 配列です。変数は、最適予測子との結びつきの予測尺度によって降順に並べ替えられており、かつ正の予測尺度をもつ変数のみが含まれています。各ノードにおける代理分岐変数の順序は、`SurrogateCutPredictor` によって返される変数の順序に一致します。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、`SurrogateCutType` には空のセルが含まれます。代理分岐のタイプは、切り取りが変数 `Z` に対して `Z`<`V` の形式で定義されている場合は `'continuous'` に、切り取りが `Z` がカテゴリのセットの値を取るかどうかによって定義されている場合は切り取り点 `V` または `'categorical'` のいずれかになります。
`SurrogateCutPredictor`	`tree` の各ノードで代理分岐に使用する変数の名前の n 要素の cell 配列。ここで n は `tree` のノード数です。`SurrogateCutPredictor` の各要素は、このノードの代理分岐変数の名前をもつ cell 配列です。変数は、最適予測子との結びつきの予測尺度によって降順に並べ替えられており、かつ正の予測尺度をもつ変数のみが含まれています。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、`SurrogateCutPredictor` には空のセルが含まれます。
`SurrogatePredictorAssociation`	`tree` の代理分岐に使用する関連性予測尺度の n 要素の cell 配列。ここで n は `tree` のノード数です。各ノード `k` に対して、`SurrogatePredictorAssociation{k}` は数値ベクトルです。`SurrogatePredictorAssociation{k}` の長さは、このノードに見つかった代理予測子の数に等しくなります。`SurrogatePredictorAssociation{k}` の各要素は、最適分割とこの代理分岐間の関連性予測尺度を与えます。各ノードの代理分岐変数の順序は、`SurrogateCutPredictor` に存在する変数の順序になります。このノードの最適分割変数は現れません。枝ではない (葉) ノードの場合、`SurrogatePredictorAssociation` には空のセルが含まれます。
`W`	スケールされた `weights`、長さ n のベクトル、`X` の行の数。
`X`	予測子の値の行列または table。`X` の各列が 1 つの変数を表し、各行が 1 つの観測値を表します。
`Y`	categorical 配列、文字ベクトルの cell 配列、文字配列、logical ベクトルまたは数値ベクトル。`Y` の各行は、`X` の対応する行の分類を表します。

オブジェクト関数

`compact`	コンパクトなツリー
`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
`crossval`	交差検証を使用した決定木
`cvloss`	交差検証による分類誤差
`edge`	分類エッジ
`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
`lime`	Local Interpretable Model-agnostic Explanations (LIME)
`loss`	分類誤差
`margin`	分類マージン
`nodeVariableRange`	決定木ノードの変数範囲の取得
`partialDependence`	部分依存の計算
`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
`predict`	分類木の使用によるラベルの予測
`predictorImportance`	分類木の予測子の重要度の推定
`prune`	枝刈りによる分類サブツリーのシーケンスの作成
`resubEdge`	再代入による分類エッジ
`resubLoss`	再代入による分類誤差
`resubMargin`	再代入による分類マージン
`resubPredict`	分類木の再代入ラベルを予測
`shapley`	シャープレイ値
`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
`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
`view`	分類木の表示

コピーのセマンティクス

値。値のクラスがコピー操作に与える影響については、オブジェクトのコピーを参照してください。

例

すべて折りたたむ

分類木の成長

ライブスクリプトを開く

ionosphere データセットを使用して分類木を成長させます。

load ionosphere
tc = fitctree(X,Y)

tc = 
  ClassificationTree
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'b'  'g'}
           ScoreTransform: 'none'
          NumObservations: 351


  Properties, Methods

木の深さの制御

ライブスクリプトを開く

名前と値のペアのパラメーター MaxNumSplits、MinLeafSize または MinParentSize を使用すると、木の深さを制御できます。既定では、fitctree は深い決定木を成長させます。モデルの複雑さや計算時間の削減のために、より浅い木を成長させることもできます。

ionosphere データセットを読み込みます。

load ionosphere

分類木を成長させる場合、木の深さの制御に関する既定値は次のとおりです。

MaxNumSplits は n - 1。n は学習標本のサイズです。
MinLeafSize は 1。
MinParentSize は 10。

これらの既定値を使用すると、学習標本のサイズが大きい場合に木が深く成長する傾向があります。

木の深さの制御について既定値を使用して、分類木を学習させます。10 分割の交差検証をモデルに対して実行します。

rng(1); % For reproducibility
MdlDefault = fitctree(X,Y,'CrossVal','on');

木に適用される分割数のヒストグラムを描画します。また、木の 1 つを表示します。

numBranches = @(x)sum(x.IsBranch);
mdlDefaultNumSplits = cellfun(numBranches, MdlDefault.Trained);

figure;
histogram(mdlDefaultNumSplits)

Figure contains an axes object. The axes object contains an object of type histogram.

view(MdlDefault.Trained{1},'Mode','graph')

Figure Classification tree viewer contains an axes object and other objects of type uimenu, uicontrol. The axes object contains 51 objects of type line, text. One or more of the lines displays its values using only markers

分割数の平均は約 15 です。

既定の分割数を使用して学習させたものほど複雑ではない (深くない) 分類木が必要であるとします。最大分割数を 7 に設定して別の分類木を学習させることで、既定値の分類木からの平均分割数が約半分になります。10 分割の交差検証をモデルに対して実行します。

Mdl7 = fitctree(X,Y,'MaxNumSplits',7,'CrossVal','on');
view(Mdl7.Trained{1},'Mode','graph')

Figure Classification tree viewer contains an axes object and other objects of type uimenu, uicontrol. The axes object contains 21 objects of type line, text. One or more of the lines displays its values using only markers

モデルの交差検証分類誤差を比較します。

classErrorDefault = kfoldLoss(MdlDefault)

classErrorDefault = 0.1168

classError7 = kfoldLoss(Mdl7)

classError7 = 0.1311

Mdl7 は、MdlDefault より大幅に単純化されており、性能は少しだけ低下します。

詳細

すべて展開する

不純度とノード誤差

決定木では、"不純度" または "ノード誤差" に基づいてノードを分割します。

不純度とは、SplitCriterion 名前と値のペアの引数によって、次のいずれかの意味を表します。

ジニ多様性指数 (gdi) — ノードのジニ指数は、次の式で表されます。
$1 - \sum_{i} p^{2} (i),$
ここで、合計はノードのクラス i 全体が対象であり、p(i) は、ノードに到達したクラス i をもつ観測クラスの比率です。クラスを 1 つだけもつノード ("純粋" ノード) のジニ指数は 0 です。それ以外のノードでは、ジニ指数は正の値です。したがって、ジニ指数はノードの不純度の基準です。
逸脱度 ('deviance') — ノードの逸脱度は、ジニ指数と同様に定義された p(i) を用いて次の式で表されます。
$- \sum_{i} p (i) \log_{2} p (i) .$
純粋ノードの逸脱度は 0 です。それ以外のノードでは、逸脱度は正の値です。
Twoing 規則 ('twoing') — Twoing はノードの純粋度の基準ではありませんが、ノードの分割を判断するための別の基準の 1 つです。L(i) は、分割後の左側の子ノードのクラス i のメンバーの比率を示し、R(i) は分割後の右側の子ノードのクラス i のメンバーの比率を示すとします。最大化するための分割基準を選択します。
$P (L) P (R) {(\sum_{i} | L (i) - R (i) |)}^{2},$
ここで、P(L) および P(R) は、それぞれ左側と右側に分割された観測値の比率を表します。式が大きい場合は、分割によって各子ノードの純粋度は高くなります。同様に、式が小さい場合は、分割によって各子ノードが互いに類似するようになります。このため、親ノードとも類似するようになります。分割によるノードの純粋度の向上はありませんでした。
ノード誤差 — ノード誤差はノードで誤分類されたクラスの比率です。j がノードで最大の学習標本数をもつクラスである場合は、ノード誤差は次のように表されます。
1 – p(j).

参考文献

[1] Breiman, L., J. Friedman, R. Olshen, and C. Stone. Classification and Regression Trees. Boca Raton, FL: CRC Press, 1984.

拡張機能

C/C++ コード生成
MATLAB® Coder™ を使用して C および C++ コードを生成します。

使用上の注意事項および制限事項:

関数 predict および update はコード生成をサポートします。
Simulink^® に分類木モデルの予測を統合するには、Statistics and Machine Learning Toolbox™ ライブラリにある ClassificationTree Predict ブロックを使用するか、MATLAB^® Function ブロックを関数 predict と共に使用します。
fitctree を使用して分類木に学習をさせる場合、以下の制限が適用されます。
- 名前と値のペアの引数 'ScoreTransform' の値を無名関数にすることはできません。固定小数点コードの生成では、'ScoreTransform' の値を 'invlogit' にすることはできません。
- 代理分岐は使用できません。つまり、名前と値のペアの引数 'Surrogate' の値は 'off' でなければなりません。
- 固定小数点コードの生成およびコーダーコンフィギュアラーを使用するコード生成では、以下の追加制限が適用されます。
  - カテゴリカル予測子 (logical、categorical、char、string、または cell) はサポートされません。名前と値の引数 CategoricalPredictors は使用できません。カテゴリカル予測子をモデルに含めるには、モデルを当てはめる前に dummyvar を使用してカテゴリカル予測子を前処理します。
  - categorical データ型のクラスラベルはサポートされません。学習データ内のクラスラベル値 (Tbl または Y) および名前と値の引数 ClassNames の値はどちらも categorical データ型の配列にはできません。

詳細は、コード生成の紹介を参照してください。

GPU 配列
Parallel Computing Toolbox™ を使用してグラフィックス処理装置 (GPU) 上で実行することにより、コードを高速化します。