機械学習

機械学習

link

基礎

---

• 未定義の値はパラメータ、説明はモデル
• 典型的には、学習と推論の2段階でアルゴリズムを調べる
• 学習段階での目的は、特徴モデルと呼ばれるデータを記述し、モデルに要約すること
• 特徴ベクトルは、実際のデータを単純化したもの、学習・推論のステップはデータそのものではなく、特徴ベクトルに依存
• 測定する値とどの測定値を比較すべきかの設計は、特徴量設計と呼ばれる
• 調べる特徴の数が多すぎるとパフォーマンスが低下する可能性(次元の呪い)
• 同一性は構成されている特徴に分解される

学習アプローチ

---

1. 訓練データ
2. 特徴ベクトル
3. 学習アルゴリズム
4. モデル

推論アプローチ

---

1. テストデータ
2. 特徴ベクトル
3. モデル
4. 予測

距離の測定

---

• ユークリッド距離
• ユークリッド距離とマンハッタン距離
• LPノルム

学習のタイプ

---

教師あり学習

---

• モデルと呼ばれるラベル付きデータを必要とする
• 訓練データセットと呼ばれる例の集まりを使用する

教師なし学習

---

• 対応するラベルなしでデータをモデリングする
• 十分なデータがあれば、パターンや構造を発見できる
• クラスタリングと次元削減が強力なツールとなる

---