모델 개발과 평가

특징 선택, 특징 엔지니어링, 모델 선택, 하이퍼파라미터 최적화, 교차 검증, 예측 성능 평가 및 분류 정확도 비교 테스트

고품질 예측 분류 모델을 개발하는 경우 적합한 특징(또는 예측 변수)을 선택하고 하이퍼파라미터(추정되지 않은 모델 모수)를 조율해야 합니다.

특징 선택과 하이퍼파라미터 조율을 통해 여러 모델이 생성될 수 있습니다. 모델 간 k겹 오분류율, ROC(수신자 조작 특성) 곡선 또는 혼동 행렬을 비교할 수 있습니다. 또는, 통계 검정을 수행하여 어떠한 분류 모델이 다른 모델보다 성능이 훨씬 더 뛰어난지 여부를 파악할 수 있습니다.

분류 모델을 훈련시키기 전에 새로운 특징을 가공 및 처리하려면 gencfeatures를 사용하십시오.

분류 모델을 대화형 방식으로 만들고 평가하려면 분류 학습기 앱을 사용하십시오.

조정된 하이퍼파라미터를 가진 모델을 자동으로 선택하려면 fitcauto를 사용하십시오. 이 함수는 다양한 하이퍼파라미터 값으로 분류 모델 유형을 선택해 보고 새 데이터에서 잘 수행될 것으로 예상되는 최종 모델을 반환합니다. 어떤 분류기 유형이 데이터에 가장 적합한지 확신하지 못할 경우 fitcauto를 사용하십시오.

특정 모델의 하이퍼파라미터를 조율하려면 하이퍼파라미터 값을 선택하고 이들 값을 사용하여 모델을 교차 검증하십시오. 예를 들어, SVM 모델을 조정하려면 상자 제약 조건과 커널 스케일의 집합을 선택하고, 값의 쌍 각각에 대해 모델을 교차 검증하십시오. Statistics and Machine Learning Toolbox™에서 제공되는 특정 분류 함수는 베이즈 최적화, 그리드 탐색 또는 임의 탐색을 통해 자동 하이퍼파라미터 조율 기능을 제공합니다. 베이즈 최적화를 구현하는 메인 함수 bayesopt는 여러 다른 응용 사례에 사용할 수 있을 정도로 유연합니다. Bayesian Optimization Workflow 항목을 참조하십시오.

분류 모델을 해석하려면 lime, shapley 또는 plotPartialDependence를 사용할 수 있습니다.

앱

분류 학습기

머신러닝 지도 학습을 사용하여 데이터를 분류하도록 모델 훈련시키기

함수

모두 확장

특징 선택

`fscchi2`	Univariate feature ranking for classification using chi-square tests
`fscmrmr`	Rank features for classification using minimum redundancy maximum relevance (MRMR) algorithm
`fscnca`	Feature selection using neighborhood component analysis for classification
`oobPermutedPredictorImportance`	Predictor importance estimates by permutation of out-of-bag predictor observations for random forest of classification trees
`predictorImportance`	Estimates of predictor importance for classification tree
`predictorImportance`	Estimates of predictor importance for classification ensemble of decision trees
`sequentialfs`	Sequential feature selection using custom criterion
`relieff`	Rank importance of predictors using ReliefF or RReliefF algorithm

특징 엔지니어링

`gencfeatures`	Perform automated feature engineering for classification
`describe`	Describe generated features
`transform`	Transform new data using generated features

자동 모델 선택

fitcauto Automatically select classification model with optimized hyperparameters

하이퍼파라미터 최적화

`bayesopt`	Select optimal machine learning hyperparameters using Bayesian optimization
`hyperparameters`	Variable descriptions for optimizing a fit function
`optimizableVariable`	Variable description for `bayesopt` or other optimizers

교차 검증

`crossval`	Estimate loss using cross-validation
`cvpartition`	교차 검증을 위한 데이터 분할
`repartition`	Repartition data for cross-validation
`test`	교차 검증을 위한 검정 인덱스
`training`	Training indices for cross-validation

모델 해석

LIME(Local Interpretable Model-Agnostic Explanations)

`lime`	Local interpretable model-agnostic explanations (LIME)
`fit`	Fit simple model of local interpretable model-agnostic explanations (LIME)
`plot`	Plot results of local interpretable model-agnostic explanations (LIME)

섀플리 값

`shapley`	Shapley values
`fit`	Compute Shapley values for query point
`plot`	Plot Shapley values

부분 종속성

`partialDependence`	Compute partial dependence
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots

분류 성능 평가

혼동행렬

`confusionchart`	Create confusion matrix chart for classification problem
`confusionmat`	분류 문제에 대한 혼동행렬 계산

ROC(수신자 조작 특성) 곡선

`rocmetrics`	Receiver operating characteristic (ROC) curve and performance metrics for binary and multiclass classifiers
`addMetrics`	Compute additional classification performance metrics
`average`	Compute performance metrics for average receiver operating characteristic (ROC) curve in multiclass problem
`plot`	Plot receiver operating characteristic (ROC) curves and other performance curves
`perfcurve`	분류기 출력값에 대한 ROC(수신자 조작 특성) 곡선 또는 기타 성능 곡선

모델 정확도 비교 검정

`testcholdout`	Compare predictive accuracies of two classification models
`testckfold`	Compare accuracies of two classification models by repeated cross-validation

객체

모두 확장

특징 선택

FeatureSelectionNCAClassification Feature selection for classification using neighborhood component analysis (NCA)

특징 엔지니어링

FeatureTransformer Generated feature transformations

하이퍼파라미터 최적화

BayesianOptimization Bayesian optimization results

속성

ConfusionMatrixChart Properties	Confusion matrix chart appearance and behavior
ROCCurve Properties	Receiver operating characteristic (ROC) curve appearance and behavior

도움말 항목

분류 학습기 앱

분류 학습기 앱에서 분류 모델을 훈련시키기
자동화된 훈련, 수동 훈련, 병렬 훈련 등 분류 모델을 훈련시키고 비교하고 향상시킬 수 있는 워크플로입니다.
Visualize and Assess Classifier Performance in Classification Learner
Compare model accuracy values, visualize results by plotting class predictions, and check performance per class in the confusion matrix.
Feature Selection and Feature Transformation Using Classification Learner App
Identify useful predictors using plots or feature ranking algorithms, select features to include, and transform features using PCA in Classification Learner.

특징 선택

Introduction to Feature Selection
Learn about feature selection algorithms and explore the functions available for feature selection.
Sequential Feature Selection
This topic introduces sequential feature selection and provides an example that selects features sequentially using a custom criterion and the sequentialfs function.
Neighborhood Component Analysis (NCA) Feature Selection
Neighborhood component analysis (NCA) is a non-parametric method for selecting features with the goal of maximizing prediction accuracy of regression and classification algorithms.
Tune Regularization Parameter to Detect Features Using NCA for Classification
This example shows how to tune the regularization parameter in fscnca using cross-validation.
Regularize Discriminant Analysis Classifier
Make a more robust and simpler model by removing predictors without compromising the predictive power of the model.
고차원 데이터를 분류하기 위해 특징 선택하기
이 예제에서는 고차원 데이터를 분류하기 위해 특징을 선택하는 방법을 보여줍니다.

특징 엔지니어링

Automated Feature Engineering for Classification
Use gencfeatures to engineer new features before training a classification model. Before making predictions on new data, apply the same feature transformations to the new data set.

자동 모델 선택

Automated Classifier Selection with Bayesian and ASHA Optimization
Use fitcauto to automatically try a selection of classification model types with different hyperparameter values, given training predictor and response data.

하이퍼파라미터 최적화

Bayesian Optimization Workflow
Perform Bayesian optimization using a fit function or by calling bayesopt directly.
Variables for a Bayesian Optimization
Create variables for Bayesian optimization.
Bayesian Optimization Objective Functions
Create the objective function for Bayesian optimization.
Constraints in Bayesian Optimization
Set different types of constraints for Bayesian optimization.
bayesopt를 사용하여 교차 검증된 분류기 최적화하기
베이즈 최적화를 사용하여 교차 검증 손실을 최소화합니다.
베이즈 최적화를 사용하여 분류기 피팅 최적화하기
피팅 함수에서 OptimizeParameters 이름-값 인수를 사용하여 교차 검증 손실을 최소화합니다.
Bayesian Optimization Plot Functions
Visually monitor a Bayesian optimization.
Bayesian Optimization Output Functions
Monitor a Bayesian optimization.
베이즈 최적화 알고리즘
베이즈 최적화의 기본 알고리즘을 이해합니다.
Parallel Bayesian Optimization
How Bayesian optimization works in parallel.

모델 해석

Interpret Machine Learning Models
Explain model predictions using the lime and shapley objects and the plotPartialDependence function.
Shapley Values for Machine Learning Model
Compute Shapley values for a machine learning model using interventional algorithm or conditional algorithm.

교차 검증

Implement Cross-Validation Using Parallel Computing
Speed up cross-validation using parallel computing.

분류 성능 평가

ROC Curve and Performance Metrics
Use rocmetrics to examine the performance of a classification algorithm on a test data set.
Performance Curves by perfcurve
Learn how the perfcurve function computes a receiver operating characteristic (ROC) curve.