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。
回帰モデルの学習と検定を行うための各種のアルゴリズムから選択します。複数のモデルに学習をさせた後で,検証誤差を並べて比較し,最適なモデルを選択します。使用するアルゴリズムの決定方法については,回帰学習器アプリにより回帰モデルに学習をさせるを参照してください。
このフローチャートは,回帰学習器アプリで回帰モデルに学習させるための一般的なワークフローを示しています。
回帰学習器 | 教師あり機械学習を使用して,データを予測するように回帰モデルに学習をさせる |
自動,手動および並列学習など,回帰モデルの学習,比較および改善を行うためのワークフローです。
ワークスペースまたはファイルから回帰学習器にデータをインポートし,サンプルデータセットを探し,交差検証またはホールドアウト検証オプションを選択します。
回帰学習器で,選択したモデルに自動的に学習をさせ,線形回帰モデル,回帰木,サポートベクターマシン,ガウス過程回帰モデル,回帰木のアンサンブルおよび回帰ニューラルネットワークのオプションを比較および調整します。
モデルの統計量を比較し,結果を可視化します。
回帰学習器で学習を行った後で,モデルをワークスペースにエクスポートするか,MATLAB®コードを生成するか,予測用のCコードを生成する。
回帰木を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートします。
回帰ニューラルネットワークを作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートする。
プロットを使用して有用な予測子を識別し,含める特徴量を手動で選択し,回帰学習器でPCAを使用して特徴量を変換します。
ハイパーパラメーターの最適化を使用して回帰モデルのハイパーパラメーターを自動的に調整します。
回帰学習器アプリのハイパーパラメーターの最適化を使用した回帰モデルの学習
最適化されたハイパーパラメーターでアンサンブル回帰モデルに学習をさせます。
回帰学習器アプリにおける検定セットを使用したモデルの性能チェック
検定セットを回帰学習器にインポートし,最適な学習済みモデルの検定セットメトリクスをチェックする。
学習の前後で作成したプロットをエクスポートおよびカスタマイズします。