回帰学習器アプリ

回帰モデルの対話的な学習、検定、調整

回帰モデルの学習と検定を行うための各種のアルゴリズムから選択します。複数のモデルに学習をさせた後で、検証誤差を並べて比較し、最適なモデルを選択します。使用するアルゴリズムの決定方法については、回帰学習器アプリにより回帰モデルに学習をさせるを参照してください。

このフローチャートは、回帰学習器アプリで回帰モデルに学習させるための一般的なワークフローを示しています。

Workflow in the Regression Learner app. Step 1: Select data and validation. Step 2: Choose regression model options. Step 3: Train a regression model. Step 4: Assess the regression model performance. Step 5: Export the regression model.

アプリ

回帰学習器

教師あり機械学習を使用して、データを予測するように回帰モデルに学習をさせる

トピック

一般的なワークフロー

回帰学習器アプリにより回帰モデルに学習をさせる
自動、手動および並列学習など、回帰モデルの学習、比較および改善を行うためのワークフローです。
回帰用のデータの選択または保存したアプリセッションを開く
ワークスペースまたはファイルから回帰学習器にデータをインポートし、サンプルデータセットを探し、交差検証またはホールドアウト検証オプションを選択して、データを検定用に確保する。あるいは、前に保存したアプリセッションを開く。
回帰モデルのオプションの選択
回帰学習器で、選択したモデルに自動的に学習させるか、線形回帰モデル、回帰木、サポートベクターマシン、ガウス過程回帰モデル、カーネル近似モデル、回帰木のアンサンブル、および回帰ニューラルネットワークのオプションを比較して調整する。
回帰学習器におけるモデルの性能の可視化と評価
モデルの統計量を比較し、結果を可視化します。
新しいデータによる予測のための回帰モデルのエクスポート
回帰学習器で学習を行った後で、モデルのワークスペースへのエクスポート、MATLAB^® コードの生成、予測用の C コードの生成、または展開用のモデルの MATLAB Production Server™ へのエクスポートを実行する。
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。
回帰学習器アプリを使用した回帰ニューラルネットワークの学習
回帰ニューラルネットワーク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する。
回帰学習器アプリを使用したカーネル近似モデルの学習
カーネル近似モデル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する。

カスタマイズされたワークフロー

回帰学習器アプリの使用による特徴選択と特徴変換
回帰学習器で、プロットまたは特徴ランク付けアルゴリズムを使用して有用な予測子を識別し、含める特徴量を選択し、PCA を使用して特徴量を変換する。
回帰学習器アプリのハイパーパラメーターの最適化
ハイパーパラメーターの最適化を使用して回帰モデルのハイパーパラメーターを自動的に調整します。
回帰学習器アプリのハイパーパラメーターの最適化を使用した回帰モデルの学習
最適化されたハイパーパラメーターでアンサンブル回帰モデルに学習をさせます。
回帰学習器アプリにおけるテストセットを使用したモデルの性能チェック
テストセットを回帰学習器にインポートし、最適な学習済みモデルのテストセットメトリクスをチェックする。
Interpret Regression Models Trained in Regression Learner App
Determine how features are used in trained regression models by using partial dependence plots.
回帰学習器アプリのプロットのエクスポート
学習の前後で作成したプロットをエクスポートおよびカスタマイズします。
回帰学習器で学習させたモデルの MATLAB Production Server への展開
回帰学習器でモデルに学習させ、MATLAB Production Server への展開用にエクスポートする。

回帰学習器アプリ

アプリ

トピック

一般的なワークフロー

カスタマイズされたワークフロー

関連情報