分類学習器アプリを使用した判別分析分類器の学習

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。

この例では、fisheriris データセットを使用して分類学習器アプリで判別分析分類器を構築する方法を示します。分類学習器では、2 つ以上のクラスがある判別分析を使用できます。

MATLAB^® で、fisheriris データセットを読み込みます。
```
fishertable = readtable('fisheriris.csv');
```
[アプリ] タブの [機械学習および深層学習] グループで [分類学習器] をクリックします。
[分類学習器] タブの [ファイル] セクションで、[新規セッション]、[ワークスペースから] をクリックします。
[新規セッション] ダイアログボックスで、[データセット変数] のリストからテーブル fishertable を選択します (必要な場合)。データ型に基づいて応答および予測子変数が選択されていることを確認します。花弁と萼片の長さおよび幅は予測子、種は分類対象の応答です。この例では、選択を変更しないでください。
[セッションの開始] をクリックします。
データの散布図が作成されます。
散布図を使用して、どの変数が応答の予測に有用であるかを可視化します。X 軸と Y 軸の制御で他の変数を選択します。クラスが最も明確に分離されるのはどの変数であるかを調べます。
最適化不可能な両方の判別分析分類器に学習させるため、[分類学習器] タブの [モデルタイプ] セクションで下矢印をクリックして分類器のリストを展開してから [判別分析] の [すべての判別] をクリックします。
次に、[学習] をクリックします。
ヒント
Parallel Computing Toolbox™ がインストールされている場合、はじめて [学習] をクリックすると、ワーカーの並列プールが開くときにダイアログが表示されます。プールが開いた後で、同時に複数の分類器に学習をさせ、作業を続行することができます。
ギャラリー内の各分類オプション (2 次判別と線形判別) の学習が 1 つずつ行われ、最高のスコアが強調表示されます。最適なモデルの [精度] スコアの概要がボックスに表示されます。
結果を表示するため、[履歴] の一覧でモデルを選択します。学習済みモデルの散布図を確認し、別の予測子のプロットを試します。誤分類された点は X で示されます。
各クラスにおける予測子の精度を調べるには、[分類学習器] タブの [プロット] セクションで [混同行列] をクリックします。真のクラスと予測したクラスの結果が含まれている行列が表示されます。
比較する他のモデルを一覧から選択します。
さまざまなモデルの長所についての詳細は、判別分析を参照してください。
[履歴] の一覧で最適なモデルを選択します (最高のスコアがボックスで強調表示されます)。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。予測力が低い特徴量を削除するとモデルを改善できるかどうか調べます。
[分類学習器] タブの [特徴量] セクションで [特徴選択] をクリックします。[特徴選択] ダイアログボックスでモデルから削除する予測子を指定して [学習] をクリックすると、新しいオプションを使用して新しいモデルの学習が行われます。[履歴] の一覧で各分類器の結果を比較します。
追加または除外する特徴量を調べるには、平行座標プロットを使用します。[分類学習器] タブの [プロット] セクションで、[平行座標プロット] を選択します。
[履歴] の一覧で最適なモデルを選択します。モデルをさらに改善するため、分類器の設定を変更します。[分類学習器] タブの [モデルタイプ] セクションで [詳細設定] をクリックします。設定の変更を試してから、[学習] をクリックして新しいモデルに学習をさせます。設定についての詳細は、判別分析を参照してください。
学習済みのモデルをワークスペースにエクスポートするため、[分類学習器] タブを選択して [モデルのエクスポート] をクリックします。新しいデータを予測するための分類モデルのエクスポートを参照してください。
この分類器に学習をさせるためのコードを確認するため、[関数の生成] をクリックします。