回帰学習器アプリ
回帰モデルの対話的な学習、検証、調整
回帰モデルの学習と検証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。
回帰学習器で学習させたいずれかのモデルを使用して実験を実行する場合は、モデルを実験マネージャー アプリにエクスポートできます。詳細については、回帰学習器から実験マネージャーへのモデルのインポートを参照してください。
分類モデルの学習と検証を行う方法については、分類学習器を参照してください。
トピック
一般的なワークフロー
- Start a Classification Learner or Regression Learner Session
Start an app session by importing data from a file or the workspace, or by opening a saved app session. - Select Validation Scheme in Classification Learner or Regression Learner
Select a validation scheme to examine the predictive accuracy of models that you train. - 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。 - Import Trained Model from Workspace into Classification Learner or Regression Learner
Import a trained model, including its training data, from the workspace at the start of a new session, or import a compatible trained model during the current session. (R2026a 以降) - 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。
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。 - Edit Customizable Neural Network Using Network Editor in Classification Learner or Regression Learner
Edit a customizable neural network using the Network Editor, and then train the model and use training progress plots to check for overfitting. (R2026a 以降)
モデルの性能評価
- 回帰学習器におけるモデルの性能の可視化と評価
モデルのメトリクスを比較し、結果を可視化する。 - Compare Linear Regression Models Using Regression Learner App
Create an efficiently trained linear regression model and then compare it to a linear regression model. Export the efficient linear regression model to make predictions on new data. - 部分依存プロットを使用した、回帰学習器アプリで学習させた回帰モデルの解釈
部分依存プロットを作成して学習済みの回帰モデルで特徴量がどのように使用されるかを判断する。 - Test Trained Models in Classification Learner or Regression Learner
Test trained models to assess performance in real-world scenarios with unseen data. - 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。 - Explain Model Predictions for Regression Models Trained in Regression Learner App
To understand how trained regression models use predictors to make predictions, use global and local interpretability tools, such as permutation importance plots, partial dependence plots, LIME values, and Shapley values.
モデル、分割、データ セット、プロットのエクスポート
- 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
回帰学習器でモデルに学習させた後、新しいデータで予測を行うためにワークスペースにモデルをエクスポートし、MATLAB® Compiler™ にモデルを展開する。 - Simulink で予測を行うための回帰モデルのエクスポート
回帰学習器でモデルに学習させ、そのモデルを Simulink® にエクスポートする。 - Export Regression Model to MATLAB Coder to Generate C/C++ Code
After training a model in Regression Learner, export the model to MATLAB Coder™ to generate C/C++ code for prediction. - 新しいデータでモデルに学習をさせる MATLAB コードの生成
回帰学習器でモデルに学習させた後に MATLAB コードを生成する。 - Export Regression Model for Deployment to MATLAB Production Server
After training a model in Regression Learner, export the model for deployment to MATLAB Production Server™. - 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。 - Export Partitions and Data Sets from Classification Learner or Regression Learner
In Classification Learner and Regression Learner, export validation partitions, test partitions, and data sets to the workspace. (R2026a 以降) - 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。
実験マネージャーのワークフロー
- 回帰学習器から実験マネージャーへのモデルのインポート
実験を複数実行するために回帰モデルを実験マネージャーにエクスポートする。 - 実験マネージャーを使用した回帰モデルの調整
実験マネージャーでさまざまな学習データ セット、ハイパーパラメーター、可視化を使用してガウス過程回帰 (GPR) モデルを調整する。
関連情報
- MATLAB の機械学習
- 実験の管理 (Deep Learning Toolbox)
授業用リソース
バイオサイエンスのための機械学習
生物学に基づいた例を使って機械学習の基礎を学習する。
