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。

正則化

リッジ回帰、Lasso、Elastic Net

低~中次元のデータセットで精度を向上させリンク関数を選択するには、lassoglm を使用して Lasso ペナルティがある一般化線形モデルを近似させます。

MATLAB® ワークスペースに適合する高次元データセットの計算時間を短縮するには、fitclinear を使用して正則化ロジスティック回帰モデルなどのバイナリ線形分類モデルに学習をさせます。また、fitcecoc を使用すると、ロジスティック回帰モデルから構成されるマルチクラス誤り訂正出力符号 (ECOC) モデルによる学習を効率的に行うこともできます。

クラス

ClassificationLinear高次元データのバイナリ分類用の線形モデル
ClassificationECOCサポート ベクター マシンまたはその他の分類器向けのマルチクラス モデル
ClassificationPartitionedLinear高次元データのバイナリ分類用の交差検定済み線形モデル
ClassificationPartitionedLinearECOC高次元データのマルチクラス分類用の交差検定済み線形誤り訂正出力符号モデル

関数

lassoglm一般化線形モデル回帰に対する Lasso または Elastic Net 正則化
fitclinear高次元データに対する線形分類モデルのあてはめ
templateLinear線形分類学習器テンプレート
fitcecocサポート ベクター マシンまたはその他の分類器向けのマルチクラス モデルの近似
predict線形分類モデルのラベルの予測

例および操作のヒント

ポアソン回帰の正則化

一般化線形モデルから冗長な予測子を見つけて削除します。

ロジスティック回帰の正則化

二項回帰を正則化します。

並列化によるワイド データの正則化

観測値より多くの予測子をもつモデルを正則化します。

概念

一般化線形モデルの Lasso 正則化

Lasso アルゴリズムは、予測子が少ない小さいモデルを生成します。関連する Elastic Net アルゴリズムでは、予測子間の相関が高いほど精度が上がる場合があります。

この情報は役に立ちましたか?