このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。
分類学習器アプリを使用した判別分析分類器の学習
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。
[ワークスペースからの新規セッション] ダイアログ ボックスで、[データセット変数] のリストから table
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。花弁とがく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™ を使用している場合、[学習] セクションにある [並列の使用] ボタンを選択してから [学習] をクリックすることにより、すべてのモデル ([すべての判別]) を同時に学習させることができます。[学習] をクリックすると [並列プールを開いています] ダイアログ ボックスが開いたままになります。同時に、ワーカーの並列プールが開きます。この間、ソフトウェアの対話的な操作はできません。プールが開いた後、モデルの学習が同時に行われます。
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 (検証)] スコアの概要がボックスに表示されます。また、最初の判別モデル ([線形判別]) の検証の混同行列も表示されます。
メモ
検証により、結果に無作為性が導入されます。実際のモデルの検証結果は、この例に示されている結果と異なる場合があります。
モデルの結果を確認するには、[モデル] ペインでモデルを選択し、[現在のモデルの概要] ペインを調べます。[現在のモデルの概要] ペインには、検証セットに対して計算された [学習結果] のメトリクスが表示されます。
[モデル] ペインで 2 番目の判別モデル ([2 次判別]) を選択し、各クラスにおける予測の精度を調べます。[分類学習器] タブの [プロット] セクションで矢印をクリックしてギャラリーを開き、[検証結果] グループの [混同行列 (検証)] 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。
2 つのモデルの結果を比較します。
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。
[モデル] ペイン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 [OK] をクリックします。[学習] セクションの [学習] をクリックして、新しいオプションで新しいモデルに学習をさせます。[モデル] ペイン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] セクションで矢印をクリックしてギャラリーを開きます。次に [検証結果] グループの [平行座標] をクリックします。
[モデル] ペイン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。ダイアログ ボックスで設定の変更を試して [OK] をクリックします。次に、[学習] セクションの [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。
学習済みのモデルの完全なバージョンまたはコンパクトなバージョンをワークスペースにエクスポートできます。[分類学習器] タブの [エクスポート] セクションで、[モデルのエクスポート] をクリックして、[モデルのエクスポート] または [コンパクト モデルのエクスポート] のどちらかを選択します。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。
このワークフローを使用すると、分類学習器で学習させることができる他のタイプの分類器を評価および比較できます。
選択したデータセットに対して使用できる事前設定済みの最適化不可能な分類器モデルをすべて試すには、次のようにします。
[モデル タイプ] セクションの右端にある矢印をクリックして分類器のリストを展開します。
[すべて] をクリックしてから [学習] をクリックします。
他の分類器のタイプについては、分類学習器アプリにおける分類モデルの学習を参照してください。