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。

回帰学習器アプリの使用による特徴選択と特徴変換

応答プロットにおける特徴量の調査

回帰学習器では、応答の予測に有用である予測子を識別するために応答プロットを使用します。異なる予測子および応答の間の関係を可視化するには、[X 軸][X] のリストで異なる変数を選択します。

回帰モデルに学習をさせる前は、学習データが応答プロットに表示されます。回帰モデルに学習をさせた場合、モデルの予測も応答プロットに表示されます。

どの変数が最も明確に応答と関連しているかを調べます。carbig データセットをプロットすると、応答に対する明確な負の関連を予測子 Horsepower が示します。

応答との関連がないように思われる特徴量を探し、[特徴選択] を使用して、使用されている予測子のセットからこれらの特徴量を削除します。

アプリで作成した応答プロットを Figure にエクスポートできます。回帰学習器アプリのプロットのエクスポートを参照してください。

含める特徴量の選択

回帰学習器では、モデルに含めるさまざまな特徴量 (予測子) を指定できます。予測力が低い特徴量を削除するとモデルが向上するか確認してください。データの収集が高価または困難な場合、予測子を減らしても十分に機能するモデルが好ましい可能性があります。

  1. [回帰学習器] タブの [特徴量] セクションで [特徴選択] をクリックします。

  2. [特徴選択] ウィンドウで、除外する予測子についてチェック ボックスの選択を解除します。

    ヒント

    [特徴選択] ウィンドウは、閉じるか移動できます。このウィンドウで行った選択は保持されます。

  3. [学習] をクリックして、新しい予測子のオプションで新しいモデルを学習させます。

  4. [履歴] の一覧で新しいモデルを確認します。[現在のモデル] ウィンドウには、除外した予測子の数が表示されます。

  5. どの予測子が学習済みモデルに含まれているかを調べます。[履歴] の一覧のモデルをクリックして、[特徴選択] ウィンドウのチェック ボックスを確認します。

  6. モデルを改善するため、異なる特徴量をモデルに含めます。

特徴選択を使用する例については、回帰学習器アプリを使用して回帰木に学習をさせるを参照してください。

回帰学習器における PCA による特徴量の変換

主成分分析 (PCA) を使用すると、予測子空間の次元を減らすことができます。次元を減らすと、過適合の防止に役立つ回帰モデルを回帰学習器で作成できます。PCA は、予測子を線形的に変換することにより冗長な次元を削除し、主成分と呼ばれる新しい一連の変数を生成します。

  1. [回帰学習器] タブの [特徴量] セクションで、[PCA] を選択します。

  2. [高度な PCA オプション] ウィンドウで [主成分分析を有効化] チェック ボックスを選択します。

    [PCA] ウィンドウは、閉じるか移動できます。このウィンドウで行った選択は保持されます。

  3. [学習] を再度クリックします。モデルに学習をさせる前に、選択した特徴量が関数 pca によって変換されます。

    既定の設定では、PCA は分散の 95% を説明する成分のみを保持します。説明する分散の比率は、[PCA] ウィンドウの [説明分散] ボックスで変更できます。値を大きくすると過適合のリスクが生じますが、値を小さくすると有用な次元が削除されるリスクが生じます。

  4. PCA の成分数を手動で制限します。[成分の削除基準] リストで [成分数の指定] を選択します。[数値成分の数] ボックスの数値を編集します。成分数を数値予測子の数より多くすることはできません。カテゴリカル予測子には PCA は適用されません。

学習済みモデルの PCA のオプションは、[現在のモデル] ウィンドウで確認できます。以下に例を示します。

PCA is keeping enough components to explain 95% variance. 
After training, 2 components were kept. 
Explained variance per component (in order): 92.5%, 5.3%, 1.7%, 0.5%
説明分散の比率をチェックして、成分数を変更するかどうかを決定します。

回帰学習器が PCA をデータに適用する方法についてさらに学ぶには、学習済みの回帰モデルについてコードを生成します。PCA についての詳細は、関数 pca を参照してください。

関連するトピック