回帰学習器アプリにより回帰モデルに学習をさせる

回帰学習器を使用すると、線形回帰モデル、回帰木、ガウス過程回帰モデル、サポートベクターマシン、回帰木のアンサンブル、ニューラルネットワーク回帰モデルなどの回帰モデルに学習をさせることができます。モデルの学習に加えて、データの探索、特徴量の選択、検証方式の指定、および結果の評価を行うことができます。新しいデータに対してモデルを使用するためにモデルをワークスペースにエクスポートするか、プログラムによる分類について学ぶために MATLAB^®コードを生成することができます。

回帰学習器におけるモデルの学習は、2.つの部分から構成されます。

検証済みモデル: 検証方式を指定してモデルに学習させます。既定では、過適合を防ぐため交差検証が適用されます。あるいは、ホールドアウト検証を選択できます。検証済みモデルはアプリに表示されます。
完全なモデル: 検証を行わず、データ全体に対してモデルに学習させます。このモデルの学習は、検証済みモデルの学習と同時に行われます。ただし、データ全体に対して学習をさせたモデルはアプリに表示されません。回帰モデルを選択してワークスペースにエクスポートすると、完全なモデルがエクスポートされます。

検証済みモデルの結果が表示されます。診断尺度 (モデルの精度など) とプロット (応答プロットや残差プロットなど) には、検証済みモデルの結果が反映されます。1.つ以上の回帰モデルの学習を自動的に行い、検証結果を比較し、特定の回帰問題に対する最適なモデルを選択できます。モデルを選択してワークスペースにエクスポートすると、完全なモデルがエクスポートされます。回帰学習器は学習時に完全なモデルのモデルオブジェクトを作成するので、すぐにモデルをエクスポートできます。エクスポートしたモデルを使用して、新しいデータに対して予測を行うことができます。

選択したタイプのモデルに学習をさせることから始める場合は、自動で回帰モデルに学習をさせるを参照してください。どの回帰モデルに学習をさせるかが既にわかっている場合は、手動による回帰モデルの学習を参照してください。

自動で回帰モデルに学習をさせる

回帰学習器を使用すると、選択した各種の回帰モデルにデータを自動的に学習させることができます。

複数モデルの同時学習の自動化から始めます。選択したモデルを素早く試し、その後、有望なモデルを対話的に探すことができます。
必要なモデルタイプが既にわかっている場合は、代わりに個々のモデルに学習をさせることができます。手動による回帰モデルの学習を参照してください。

[アプリ]タブの[機械学習]グループで[回帰学習器]をクリックします。
[新規セッション]をクリックして、ワークスペースまたはファイルからデータを選択します。応答変数と、予測子として使用する変数を指定します。回帰問題に対するデータと検証の選択を参照してください。
[回帰学習器]タブで[モデルタイプ]セクションの矢印をクリックして、回帰モデルのリストを展開します。[すべてのクイック学習]を選択します。このオプションは、事前設定されている、あてはめに手間のかからないすべてのモデルに学習をさせます。
[学習]をクリックします。

メモ

并行计算工具箱™ がインストールされている場合、並列的にモデルに学習をさせることができます。並列的な回帰モデルの学習を参照してください。

選択されたモデルタイプが[モデル]ペインに表示されます。学習が終了すると、最も高い[RMSE(検証)]のスコアがボックスで強調表示されます。
[モデル]ペインでモデルをクリックして、結果をプロットで確認します。
以後の手順については、手動による回帰モデルの学習または回帰モデルの比較と改善を参照してください。
使用可能な事前設定済みの最適化不可能なモデルをすべて試すには、[すべて]をクリックしてから[学習]をクリックします。

手動による回帰モデルの学習

個々のモデルタイプを調べる場合、一度に 1.つずつモデルに学習をさせることも、同じタイプのモデルのグループに学習をさせることもできます。

モデルタイプを選択します。[回帰学習器]タブの[モデルタイプ]セクションで、モデルのタイプをクリックします。すべての利用可能なモデルを見るには、[モデルタイプ]セクションの矢印をクリックして回帰モデルのリストを展開します。ギャラリーの最適化不可能なモデルオプションは、種々の設定が事前に行われている開始点であり、さまざまな回帰問題に適しています。
モデルの説明を読むには、詳細表示に切り替えるか、ボタンにマウスを移動してツールヒントを表示します。

各オプションについての詳細は、回帰モデルのオプションの選択を参照してください。
モデルを選択したら、[学習]をクリックします。
複数のモデルを繰り返し調べます。

ヒント

はじめに回帰木を選択します。学習済みのモデルで応答の予測精度が十分ではない場合は、柔軟性が高い他のモデルを試してください。過適合を回避するには、十分な精度が得られる、柔軟性が低いモデルを探してください。
同じタイプまたは異なるタイプのすべての最適化不可能なモデルを試す場合、ギャラリーで[すべて]のオプションのいずれかを選択します。
あるいは、特定のモデルタイプのハイパーパラメーターを自動的に調整する場合、対応する最適可能なモデルを選択してハイパーパラメーターの最適化を実行します。詳細は、回帰学習器アプリのハイパーパラメーターの最適化を参照してください。

以後の手順については、回帰モデルの比較と改善を参照してください。

並列的な回帰モデルの学習

并行计算工具箱がインストールされている場合、回帰学習器を使用して並列的にモデルに学習をさせることができます。並列学習を使用すると、同時に複数のモデルに学習をさせ、作業を続行することができます。

並列学習を制御するには、アプリのツールストリップで[並列の使用]ボタンを切り替えます[並列の使用]ボタンが使用可能になるのは、并行计算工具箱がインストールされている場合だけです。

[並列の使用]ボタンをクリックした後にはじめて[学習]をクリックすると、ダイアログボックスが表示されると同時にワーカーの並列プールが開きます。プールが開いた後で、同時に複数のモデルに学習をさせることができます。
並列的にモデルに学習をさせているときに、[モデル]ペインにある、学習中のモデルと待機中モデルのそれぞれについて、進行状況インジケーターが表示されます。必要な場合は、個々のモデルを取り消すことができます。学習中に、モデルの結果およびプロットを確認したり、別のモデルに学習を開始させることができます。

并行计算工具箱がインストールされている場合、並列学習が回帰学習器で使用可能になり、関数斯塔塞特の使用并行オプションを設定する必要はありません。

メモ

ハイパーパラメーターの最適化を並列的に実行することはできません。最適化可能なモデルを選択すると[並列の使用]ボタンが無効になります。次に最適化不可能なモデルを選択すると、既定でボタンはオフになります。

回帰モデルの比較と改善

[モデル]ペインでモデルをクリックして、結果をプロットで確認します。プロットで結果を検査して、モデルの性能を比較します。各モデルについて[モデル]ペインに表示される[RMSE(検証)]スコアを確認します。
さらに、[モデル]ペインの[並べ替え]オプションを使用して、モデルを比較できます。不要なモデルがあれば、モデルを選択してペインの右上にある[選択したモデルの削除]ボタンをクリックするか、モデルを右クリックして[モデルを削除]を選択して削除します。
回帰学習器におけるモデルの性能評価を参照してください。
[モデル]ペインから最適なモデルを選択してから、モデルに対するさまざまな特徴量の追加と除外を試します。[特徴選択]をクリックします。
応答プロットは、削除する特徴量を識別するために役立ちます。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。モデルに含める予測子を指定し、新しいオプションを使用して新しいモデルを学習させます。[モデル]ペインで各モデルの結果を比較します。
主成分分析で特徴量を変換して次元を削減することもできます。
回帰学習器アプリの使用による特徴選択と特徴変換を参照してください。
さらにモデルを改善するには、[詳細設定] ダイアログボックスでモデルのパラメーター設定を変更します。その後、新しいオプションを使用して学習させます。モデルの柔軟性を制御する方法についての詳細は、回帰モデルのオプションの選択を参照してください。モデルパラメーター設定を自動的に調整する方法の詳細については、回帰学習器アプリのハイパーパラメーターの最適化を参照してください。
特徴選択、主成分分析または新しいパラメーター設定によりモデルが改善される場合は、新しい設定で[すべて]のモデルタイプの学習を試します。別のモデルタイプで新しい設定を使用すると良好な結果が得られるかどうかを調べます。

ヒント

過適合を回避するには、十分な精度が得られる、柔軟性が低いモデルを探してください。たとえば、高速で解釈が容易な回帰木などの単純なモデルを探します。モデルの精度が不十分な場合は、アンサンブルなど柔軟性が高い他のモデルを試してください。モデルの柔軟性の詳細については、回帰モデルのオプションの選択を参照してください。

次の図には、アプリと、さまざまなタイプの回帰モデルが含まれている[モデル]ペインが示されています。