分類学習器アプリを使用したニューラルネットワーク分類器の学習

この例では、分類学習器アプリにおいてニューラルネットワーク分類器を作成および比較する方法と、学習済みのモデルをワークスペースにエクスポートして新しいデータに対する予測を行う方法を示します。

MATLAB^® コマンドウィンドウで、fisheriris データセットを読み込み、データセットにある変数から分類に使用する table を作成します。
```
fishertable = readtable("fisheriris.csv");
```
[アプリ] タブをクリックしてから、右にある [さらに表示] 矢印をクリックしてアプリギャラリーを開きます。[機械学習および深層学習] グループの [分類学習器] をクリックします。
[学習] タブで、[ファイル] セクションの [新規セッション] をクリックし、[ワークスペースから] を選択します。
[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。
既定の検証方式をそのまま使用して続行するため、[セッションの開始] をクリックします。既定の検証オプションは 5 分割交差検証であるため、過適合が防止されます。
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調べます。[予測子] の [X] および [Y] のリストで異なるオプションを選択して、種と測定値の分布を可視化します。種の色が最も明確に分離されるのはどの変数であるかに注意してください。
ニューラルネットワークモデルを選択して作成します。[学習] タブの [モデル] 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。[ニューラルネットワーク分類器] グループで、[すべてのニューラルネットワーク] をクリックします。
[学習] セクションで、[すべてを学習] をクリックして [すべてを学習] を選択します。
メモ
- Parallel Computing Toolbox™ がある場合は、[並列の使用] ボタンが既定でオンになります。[すべてを学習] をクリックして [すべてを学習] または [選択を学習] を選択すると、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、モデルの学習を並列で実行しながらアプリの操作を続けることができます。
- Parallel Computing Toolbox がない場合は、[すべてを学習] メニューの [バックグラウンド学習を使用] チェックボックスが既定でオンになります。オプションを選択してモデルに学習させると、バックグラウンドプールが開きます。プールが開いた後、モデルの学習をバックグラウンドで実行しながらアプリの操作を続けることができます。
分類学習器で、ギャラリーのニューラルネットワーク分類オプションごとに 1 つと既定の複雑な木のモデルの学習が行われます。[モデル] ペインに、最適なモデルの [精度 (検証)] スコアの概要が表示されます。また、最初のニューラルネットワークモデル ([ナローニューラルネットワーク]) の検証の混同行列も表示されます。
結果を表示するため、[モデル] ペインでモデルを選択します。たとえば、[ナローニューラルネットワーク] モデル (モデル 2.1) をダブルクリックします。モデルの [概要] タブを調べます。このタブには、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。
学習済みモデルの散布図を確認します。[学習] タブの [プロットと結果] 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 [散布] をクリックします。正しく分類された点には O が付けられ、正しく分類されなかった点には X が付けられます。
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。
各クラスにおける予測子の精度を調べます。[学習] タブの [プロットと結果] 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。
残りの各モデルについて、[モデル] ペインでモデルを選択して検証の混同行列を開き、それらのモデルの結果を比較します。
[モデル] ペインで最適なモデルを選択します (最高のスコアは [精度 (検証)] ボックスで強調表示されます)。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。
まず、モデルを右クリックして [複製] を選択することで、最適なモデルを複製します。
次のいずれかの方法で、追加または除外する特徴量を調べます。
- 平行座標プロットを使用します。[学習] タブの [プロットと結果] 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 [平行座標] をクリックします。クラスを十分に分離する予測子を保持します。
  モデルの [概要] タブで、学習時に使用する予測子を指定できます。[特徴選択] をクリックしてセクションを展開し、モデルから削除する予測子を指定します。
- 特徴ランク付けアルゴリズムを使用します。[学習] タブの [オプション] セクションで [特徴選択] をクリックします。[既定の特徴選択] タブで、使用する特徴ランク付けアルゴリズムと、最も高ランクの特徴からいくつの特徴を保持するかを指定します。使用する特徴の数は棒グラフで判断できます。
  [保存して適用] をクリックして変更を保存します。新しい特徴選択は [モデル] ペインの既存のドラフトモデルに適用されるほか、[学習] タブの [モデル] セクションのギャラリーを使用して作成する新しいドラフトモデルに適用されます。
モデルに学習させます。[学習] タブの [学習] セクションで、[すべてを学習] をクリックして [選択を学習] を選択し、新しいオプションを使用してモデルに学習させます。[モデル] ペインで各分類器の結果を比較します。
[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できるか試すため、ハイパーパラメーターを変更します。まず、モデルを右クリックして [複製] を選択することで、最適なモデルを複製します。その後、モデルの [概要] タブで、全結合層のサイズや正則化強度など、ハイパーパラメーターの設定の変更を試します。[学習] セクションで [すべてを学習] をクリックして [選択を学習] を選択し、新しいモデルに学習させます。
ニューラルネットワークモデルの設定の詳細については、ニューラルネットワーク分類器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] タブで、[エクスポート] をクリックして [モデルのエクスポート] をクリックし、[モデルのエクスポート] を選択します。学習データを除外してコンパクトなモデルをエクスポートするには、[分類モデルのエクスポート] ダイアログボックスでチェックボックスをクリアします。コンパクトなモデルも新しいデータの予測に使用できます。ダイアログボックスで [OK] をクリックすると、既定の変数名がそのまま使用されます。
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、[エクスポート] セクションで [関数の生成] をクリックします。

ヒント

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学習させるには、次のようにします。

[学習] タブの [モデル] セクションで矢印をクリックしてモデルのギャラリーを開きます。
[開始] グループで [すべて] をクリックします。
[学習] セクションで、[すべてを学習] をクリックして [すべてを学習] を選択します。

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。

分類学習器アプリを使用したニューラル ネットワーク分類器の学習

関連するトピック

分類学習器アプリを使用したニューラルネットワーク分類器の学習