解釈可能性
解釈可能な回帰モデルの学習と複雑な回帰モデルの解釈
線形モデル、決定木、一般化加法モデルなどの本質的に解釈可能な回帰モデルを使用するか、解釈可能性機能を使用して、本質的に解釈可能でない複雑な回帰モデルを解釈します。
回帰モデルを解釈する方法については、機械学習モデルの解釈を参照してください。
関数
オブジェクト
LinearModel | 線形回帰モデル |
RegressionGAM | 回帰用の一般化加法モデル (GAM) |
RegressionLinear | 高次元データ用の線形回帰モデル |
RegressionTree | 回帰木 |
トピック
モデルの解釈
- 機械学習モデルの解釈
lime
オブジェクトおよびshapley
オブジェクトと関数plotPartialDependence
を使用してモデル予測を説明する。 - 機械学習モデルのシャープレイ値
kernelSHAP と kernelSHAP の拡張機能の 2 つのアルゴリズムを使用して、機械学習モデルのシャープレイ値を計算する。 - 特徴選択の紹介
特徴選択アルゴリズムについて学び、特徴選択に使用できる関数を確認します。 - Interpret Regression Models Trained in Regression Learner App
Determine how features are used in trained regression models by using partial dependence plots.
解釈可能なモデル
- 線形回帰モデルの学習
fitlm
を使用して線形回帰モデルを学習させ、インメモリ データとメモリ超過のデータを解析する。 - 回帰用の一般化加法モデルの学習
最適なパラメーターで一般化加法モデル (GAM) に学習させて、予測性能を評価し、学習済みモデルを解釈する。 - 回帰学習器アプリを使用して回帰木に学習をさせる
回帰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。