個々のカイ二乗検定を使用して各予測子変数が応答変数から独立しているかどうかを調べた後,カイ二乗検定統計量のp値を使用して特徴量をランク付けします。

例については,関数fscchi2のリファレンスページを参照してください。

最小冗余最大相关性(MRMR)アルゴリズムを使用して逐次的に特徴量をランク付けします。

例については,関数fscmrmrのリファレンスページを参照してください。

近傍成分分析(NCA)を対角的に適用することにより,特徴量の重みを特定します。これは,観測値間のペアワイズ距離を使用して応答を予測する距離ベースの教師ありモデルにおいて特徴量の重要度を推定するのに最適なアルゴリズムです。

詳細については,関数fscncaのリファレンスページと以下のトピックを参照してください。

F検定を使用して各予測子の重要度を個別に調べた後,F検定統計量のp値を使用して特徴量をランク付けします。各F検定は,予測子変数値でグループ化された応答値が,平均が同じである複数の母集団から抽出されたという仮説を,母集団の平均はすべて同じではないという対立仮説に対して検定します。

例については,関数fsrftestのリファレンスページを参照してください。

近傍成分分析(NCA)を対角的に適用することにより,特徴量の重みを特定します。これは,観測値間のペアワイズ距離を使用して応答を予測する距離ベースの教師ありモデルにおいて特徴量の重要度を推定するのに最適なアルゴリズムです。

詳細については,関数fsrncaのリファレンスページと以下のトピックを参照してください。

ラプラシアンスコアを使用して特徴量をランク付けします。

例については,関数fsulaplacianのリファレンスページを参照してください。

分類にはReliefFアルゴリズム,回帰にはRReliefFアルゴリズムを使用して特徴量をランク付けします。これは,観測値間のペアワイズ距離を使用して応答を予測する距離ベースの教師ありモデルにおいて特徴量の重要度を推定するのに最適なアルゴリズムです。

例については,関数relieffのリファレンスページを参照してください。

カスタム基準を使用して逐次的に特徴量を選択します。データの特性を測定して特徴量を選択する関数を定義して,関数ハンドルを関数sequentialfsに受け渡します。名前と値のペアの引数“方向”を使用して,逐次前方選択または逐次後方選択を指定できます。sequentialfsは交差検証を使用して基準を評価します。

カスタム基準を使用して逐次的に特徴量を選択します。教師あり学習アルゴリズムを実装する関数または学習アルゴリズムの性能を測定する関数を定義し,関数ハンドルを関数sequentialfsに受け渡します。名前と値のペアの引数“方向”を使用して,逐次前方選択または逐次後方選択を指定できます。sequentialfsは交差検証を使用して基準を評価します。

例については,関数sequentialfsのリファレンスページと以下のトピックを参照してください。

fitcdiscrを使用して線形判別分析分類器を作成します。ClassificationDiscriminantとして返される学習済み分類器のDeltaPredictorプロパティには,係数の大きさが保存されています。この値はDeltaPredictorで予測子の重要度の尺度として使用できます。この分類器は2つの正則化パラメーターガンマとデルタを使用して冗長な予測子を特定および削除します。これらのパラメーターの適切な値は,関数cvshrinkまたは名前と値のペアの引数“OptimizeHyperparameters”を使用して取得できます。

例については,以下のトピックを参照してください。

fitcecocと,templateLinearで定義された線形バイナリ学習器を使用して,線形分類モデルに学習をさせます。套索正則化を使用するには,templatelinearの“正规化”を“套索”に指定します。

たとえば,交差検証の使用による適切な套索ペナルティの特定を参照してください。この例は,kfoldLossを使用して異なる強度値でモデルを評価することにより,適した套索ペナルティの強度を決定します。kfoldEdge、kfoldMargin、边缘、损失,または保证金を使用してモデルを評価することもできます。

fitclinearを使用して線形分類モデルを学習させます。套索正則化を使用するには,fitclinearの“正规化”を“套索”に指定します。

たとえば,交差検証AUCの使用による適切な套索ペナルティの特定を参照してください。この例は,AUC の値を使用して異なる強度値でモデルを評価することにより、適した LASSO ペナルティの強度を決定します。kfoldPredictを使用して交差検証事後クラス確率を計算し,perfcurveを使用してAUCの値を計算します。kfoldEdge、kfoldLoss、kfoldMargin、边缘、损失、保证金,または预测を使用してモデルを評価することもできます。

fitrgpを使用してガウス過程回帰(GPR)モデルを学習させます。関連度自動決定(ARD)を使用するには,名前と値のペアの引数“KernelFunction”を設定します。利用可能なオプションは“ardsquaredexponential”、“ardexponential”、“ardmatern32”、“ardmatern52”,および“ardrationalquadratic”です。KernelInformationプロパティに格納された負の学習済み特性長スケールの指数を使用して,予測子の重みを求めます。

例については,以下のトピックを参照してください。

fitrlinearを使用して線形回帰モデルを学習させます。套索正則化を使用するには,fitrlinearの“正规化”を“套索”に指定します。

例については,以下のトピックを参照してください。

套索を使用して套索の正則化で線形回帰モデルを学習させます。名前と値のペアの引数“α”を使用してリッジ最適化に対する套索最適化の重みを指定できます。

例については,関数套索のリファレンスページと以下のトピックを参照してください。

lassoglmを使用して套索の正則化で一般化線形回帰モデルを学習させます。名前と値のペアの引数“α”を使用してリッジ最適化に対する套索最適化の重みを指定できます。

詳細については,関数lassoglmのリファレンスページと以下のトピックを参照してください。

fitcensembleを使用し,“方法”を“包”に指定することで,木学習器でバギングされたアンサンブル分類を学習させます。その後,oobPermutedPredictorImportanceを使用して並べ替えによるout-of-bag予測子の重要度の推定を計算します。この関数は,応答の予測においてモデル内の予測子変数がどの程度影響を与えるかを測ります。

例については,関数のリファレンスページとトピックoobPermutedPredictorImportanceを参照してください。

fitrensembleを使用し,“方法”を“包”に指定することで,木学習器でバギング回帰アンサンブルを学習させます。その後,oobPermutedPredictorImportanceを使用して並べ替えによるout-of-bag予測子の重要度の推定を計算します。この関数は,応答の予測においてモデル内の予測子変数がどの程度影響を与えるかを測ります。

例については,関数oobPermutedPredictorImportanceのリファレンスページおよびランダムフォレストの予測子の選択を参照してください。

fitcensembleを使用して,木学習器でアンサンブル分類を学習させます。その後,predictorImportanceを使用して,すべての予測子について分割によるリスク変動を合計し,この合計を枝ノード数で除算することにより,アンサンブルの予測子の重要度の推定を計算します。

例については,関数predictorImportanceのリファレンスページを参照してください。

fitctreeを使用して分類木を学習させます。その後,predictorImportanceを使用して,すべての予測子について分割によるリスク変動を合計し,この合計を枝ノード数で除算することにより,木の予測子の重要度の推定を計算します。

例については,関数predictorImportanceのリファレンスページを参照してください。

fitrensembleを使用して,木学習器でアンサンブル回帰を学習させます。その後,predictorImportanceを使用して,すべての予測子について分割によるリスク変動を合計し,この合計を枝ノード数で除算することにより,アンサンブルの予測子の重要度の推定を計算します。

例については,関数predictorImportanceのリファレンスページを参照してください。

fitrtreeを使用して回帰木を学習させます。その後,predictorImportanceを使用して,すべての予測子について分割による平均二乗誤差(MSE)の変動を合計し,この合計を枝ノード数で除算することにより,木の予測子の重要度の推定を計算します。

例については,関数predictorImportanceのリファレンスページを参照してください。

stepwiseglmを使用して,ステップワイズ回帰により一般化線形回帰モデルをあてはめます。あるいは,fitglmを使用して線形回帰モデルをあてはめた後,一步を使用してモデルを調整することもできます。ステップワイズ回帰は、応答変数の説明における各項の統計的な重要性に基づき、モデルから項を追加したり削除するための体系的な方法です。

詳細については,関数stepwiseglmのリファレンスページと以下のトピックを参照してください。

stepwiselmを使用して,ステップワイズ回帰により線形回帰モデルをあてはめます。あるいは,fitlmを使用して線形回帰モデルをあてはめた後,一步を使用してモデルを調整することもできます。ステップワイズ回帰は、応答変数の説明における各項の統計的な重要性に基づき、モデルから項を追加したり削除するための体系的な方法です。

詳細については,関数stepwiselmのリファレンスページと以下のトピックを参照してください。