PredictorFunction

PredictorFunction[…]

データから数値を予測する，Predictに生成された関数を表す．

詳細とオプション

  • PredictorFunctionはFunctionのように動作する．
  • PredictorFunction[…][data]は，data に関連する値を予測しようとする．
  • PredictorFunction[…][{data1,data2,…}]は，すべての dataiを予測しようとする．
  • PredictorFunction[…][data,prop]は，data に関連する予測の，指定された特性を与える．
  • すべてのメソッドに適用可能な特性
  • "Decision"分布と効用関数に基づいた最良の予測
    "Distribution"データに制約された値の分布
    "SHAPValues"各例についてのシャープレイ加算特徴の説明
    "Properties"使用可能な全特性のリスト
  • "SHAPValues"は，さまざまな特徴を削除し次に合成した結果の予測を比較することで特徴の貢献度を評価する．オプションMissingValueSynthesisを使って欠測値を合成する方法が指定できる．SHAPの説明は訓練出力の平均からの偏差として与えられる．"SHAPValues"n を使ってSHAPの説明の数値推定に使われるサンプル数が制御できる．
  • PredictorFunction[…][data,…,opts]は，data に適用される際は，予測器がオプション opts を使うように指定する．
  • 使用可能なオプション
  • IndeterminateThreshold Automaticどの確率密度より下でIndeterminateを返すか
    PerformanceGoal Automaticパフォーマンスのどの面について最適化するか
    MissingValueSynthesis Automatic欠測値の合成方法
    RecalibrationFunction Automatic予測値の後処理方法
    TargetDevice "CPU"そこで訓練を行うターゲットデバイス
    UtilityFunction Automatic実測値／予測値の関数として表された効用
  • Wolfram言語の旧バージョンで訓練されたPredictorFunction[…]でも現行バージョンで動作する．
  • Predict[FittedModel[…]]を使ってフィットされたモデルがPredictorFunction[…]に変換できる．
  • Predict[PredictorFunction[…],opts]を使って，分類器のPerformanceGoal，IndeterminateThreshold，UtilityFunctionあるいはFeatureExtractorの値を変更することができる．
  • Predict[PredictorFunction[…],FeatureExtractorfe]では，FeatureExtractorFunction[…] fe は既存の特徴抽出器の先頭に加えられる：
  • Information[PredictorFunction[…]]は，分類器とその推定パフォーマンスについての情報パネルを生成する．
  • Information[PredictorFunction[…],prop]を使って特定の特性を得ることができる．
  • PredictorFunction[…]のInformationは次の特性を含むことがある．
  • "BatchEvaluationTime"バッチが与えられた際に1つの例を予測する限界時間
    "EvaluationTime"1つの例を予測するのに必要な時間
    "ExampleNumber"訓練例の数
    "FeatureTypes"予測器入力の特徴タイプ
    "FunctionMemory"予測器の保存に必要なメモリ
    "FunctionProperties"この予測器が使用できるすべての予測特性
    "IndeterminateThreshold"この予測器が使用するIndeterminateThresholdの値
    "LearningCurve"訓練集合サイズの関数としてのパフォーマンス
    "MaxTrainingMemory"訓練中に使用される最大メモリ
    "MeanCrossEntropy"この予測器の推定平均クロスエントロピー
    "Method"この予測器が使用するMethodの値
    "MethodDescription"メソッドのまとめ
    "MethodOption"新たな訓練の際に使用される完全なメソッドオプション
    "MethodParameters"メソッドのパラメータ設定
    "Properties"この予測器が使用可能なすべての情報特性
    "StandardDeviation"この予測器の推定標準偏差
    "FeatureExtractor"FeatureExtractorFunctionとしての特徴抽出器
    "TrainingLabelMean"訓練中に見られたラベルの値の平均
    "TrainingTime"Predictが予測器を生成するのにかかる時間
    "UtilityFunction"この予測器が使用するUtilityFunctionの値
  • Information特性もまたすべてのメソッドサブオプションを含む．

例題

すべて開くすべて閉じる

例  (2)

PredictorFunctionを訓練する：

訓練したPredictorFunctionを使って，ある特徴が与えられた場合の出力を予測する：

複数の例を予測する：

予測値の確率分布を計算する：

複数の特徴を使ってPredictorFunctionを生成する：

この関数を新たな例に使う：

欠けている特徴がある例を予測する：

予測器に関する一般的な情報を得る：

スコープ  (6)

テキストデータについてPredictorFunctionを訓練する：

新たな例の値を予測する：

PredictorFunctionを訓練し，SawtoothWaveサウンドの周波数を認識するようにする：

新たな例の値を予測する：

PredictorFunctionを訓練する：

検定集合に適用された関数のPredictorMeasurementsObjectを生成する：

検定集合についての関数の剰余の標準偏差を得る：

検定値の散布図を予測された値の関数として可視化する：

入力が連想である予測器関数を生成する：

この関数を例に使用する：

欠けた特徴がある例を予測する：

連想のリストからDatasetを構築する：

特徴"age"を他の特徴の関数として予測するPredictorFunctionを訓練する：

PredictorFunctionが訓練されると，任意の入力形式が使える．連想としてフォーマットされた例を予測する：

特徴の順序を求め，リストとしてフォーマットされた例を分類する：

Dataset中の例を分類する：

ワインの品質についてのデータ集合をワインの物質特性の関数としてロードする：

ワインの品質を推定するように予測器を訓練する：

例とする瓶を調べる：

調べた瓶の品質を予測する：

この瓶の予測された品質が平均よりもどの程度高い／低いかを計算する：

この瓶についての予測器の出力に各特徴がどの程度影響したかを推定する：

これらの特徴の影響を可視化する：

シャープレイの値が予測された品質を完全に説明していることを確認する：

各特徴を独立したものとして扱うデータの分布を学ぶ：

SHAP値の特徴の重要性を100本のワインについて推定する．各推定には5つのサンプルを使う：

モデルに対して各特徴がどの程度重要であるかを計算する：

モデルの特徴の重要度を可視化する：

特徴の値とモデル予測に対するその影響の間の非線形の関係を可視化する：

オプション  (7)

IndeterminateThreshold  (1)

PredictorFunctionを訓練する：

指定された例の確率密度を可視化する：

最も確率密度が高い値が予測される：

最大の確率密度が指定された閾値より下の場合は，予測は行われない：

閾値を永久的に変更する：

MissingValueSynthesis  (1)

2つの入力特徴がある予測器を訓練する：

欠落値がある例についての予測を得る：

欠測値の合成を設定して，欠測変数を既知の値が与えられた場合に最も可能性の高い値に置き換える（これはデフォルト動作である）：

欠落している変数を既知の値を条件としてランダムサンプルで置き換える：

多くのランダムな代入を平均化することが通常は最良の戦略であり，代入によって引き起こされる不確実性を取得することができる：

訓練中に学習メソッドを指定して，データの分布についての学習方法を制御する：

"KernelDensityEstimation"分布を使って値に条件を付けることで欠落値のある例を予測する：

訓練で既存のLearnedDistributionを提供し，訓練中の欠落値の代入と後の評価でこれを使う：

個々の評価のために欠落値を合成するために既存のLearnedDistributionを指定する：

訓練時に連想を渡すことで学習方法と評価戦略の両方を制御する：

RecalibrationFunction  (2)

予測器を訓練する：

予測を計算する：

予測の分布を計算する：

再較正関数を一時的に設定して予測に適用する：

この新たな再較正を使って予測の分布を計算する：

Boston Homesのデータ集合をロードする：

モデル較正で予測器を訓練する：

検定集合についての比較プロットを可視化する：

再較正関数を予測器から削除する：

新たな比較プロットを可視化する：

TargetDevice  (1)

ニューラルネットワークを使って予測器を訓練する：

結果の予測器をシステムのデフォルトGPUで評価し，そのAbsoluteTimingを見る：

上記の時間をデフォルトのCPU計算を使った時間と比較する：

UtilityFunction  (1)

予測器関数を訓練する：

与えられた例の確率密度を可視化する：

デフォルトで，最も高い確率密度の値が予測される：

予測された値が実際の値よりも小さい場合にペナルティを課す効用関数を定義する：

与えられた実際の値について関数をプロットする：

確率密度は同じであるのに，予測器の決定が変わった：

効用関数の値を永久的に変更する：

PerformanceGoal  (1)

組込みのPredictorFunction "NameAge"を得る：

この予測器と一緒に使用するためのカスタムの効用関数を設定する：

例をこの効用関数と一緒に使うのに必要な時間を計算する：

PerformanceGoalを使って最速ではあるが確度が劣る結果を得る：

Wolfram Research (2014), PredictorFunction, Wolfram言語関数， https://reference.wolfram.com/language/ref/PredictorFunction.html （2021年に更新）.

テキスト

Wolfram Research (2014), PredictorFunction, Wolfram言語関数， https://reference.wolfram.com/language/ref/PredictorFunction.html （2021年に更新）.

CMS

Wolfram Language. 2014. "PredictorFunction." Wolfram Language & System Documentation Center. Wolfram Research. Last Modified 2021. https://reference.wolfram.com/language/ref/PredictorFunction.html.

APA

Wolfram Language. (2014). PredictorFunction. Wolfram Language & System Documentation Center. Retrieved from https://reference.wolfram.com/language/ref/PredictorFunction.html

BibTeX

@misc{reference.wolfram_2024_predictorfunction, author="Wolfram Research", title="{PredictorFunction}", year="2021", howpublished="\url{https://reference.wolfram.com/language/ref/PredictorFunction.html}", note=[Accessed: 22-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_predictorfunction, organization={Wolfram Research}, title={PredictorFunction}, year={2021}, url={https://reference.wolfram.com/language/ref/PredictorFunction.html}, note=[Accessed: 22-November-2024 ]}