20180717 unsupervised learning

本（提案）書に含まれる情報は、貴社内部のご検討、評価の目的のために提供されるものです。貴社内でのご使用、複製、開示はこの目的のために必要な範囲でのみお願いいたします。貴社との間で
正式な契約が成立した場合には、それに従ってこれをお取り扱い願います。なお、貴社にて既に取得されている情報については、これらの制限は及びません。
Copyright © 2017 ITOCHU Techno-Solutions Corporation
教師なし学習のすすめ
2018年7月17日

自己紹介
 名前：後藤仁奈（ごとうにな）。
 所属：伊藤忠テクノソリューションズ株式会社。
 経歴： AI始めて1年ほど。
文系出身。
 仕事内容： AIフレームワーク「Renom」を用いたPoC支援。
Page 1

AI分析の思考回路
AIフレームワークを使って、回帰！！予測！！
Page 2
いろいろなアルゴリズムを使って、
一番精度の高いものを見つけてモデルを作ればいい！！
色々やってみたけど、
とりあえず決定係数で比較しよう！
アルゴリズム決定係数
1月 2月 3月 4月 5月 6月
全結合 0.57 0.86 0.76 0.56 0.78 0.78
LSTM 0.66 0.62 0.89 0.67 0.57 0.65

DLで言えること
結局、DLだけを使って精度向上を一生懸命やっても、
Page 3
へー
 根拠が説明できない
 具体性がない
「決定係数を見ると、
このアルゴリズムを使った時が
最も精度が高かったです。」
「ただ、日によって
精度にばらつきがありますので、
色々なタイプのデータを
大量に学習させる必要があります。」
 方針がわかりにくい

教師なし学習とは
Page 4
機
械
学
習
教師あり学習
教師なし学習
データ教師
データ
データから導き出せる答えが
教師（正解）に近づくよう、
各データのパラメータ（重
み）を学習によって導き出す。
正解は与えず、データ自身で何か
しらの特徴量を見つけ出す。
（データ自身が持つ特徴や傾向を
見つける）

教師なし学習いろいろ①：次元圧縮
Page 5
主成分分析では、多くのデータ項目（変数）が存在する
場合、それらを１つから３つの合成変数に縮約（置き換
え）することで、データを理解しやすくしています。
• PCA（主成分分析）
非線形のニューラルネットワークを用いるため、主成分
分析よりも特徴をなるべく残して次元圧縮が可能となり
ます。
• オートエンコーダ

• K-means法
6
1. 初期状態 2. 重心を計算する 3. 一番近い重心の色に変わる 4. 再度、重心を計算する
5. 再度、色を置き換える 6.また重心を計算する 7. 変化がなくなったら完了
教師なし学習いろいろ②：クラスタリング
教師なし学習の中の、クラスタリングの手法として用いられる。
分類したいクラスタ数を指定し、ランダムに置いたデータの重心の算出をくりかえすことでデータをクラスタリング
する。

たとえば・・・①
Page 7
 オートエンコーダの結果で考えてみる。
何かしら分類できそうだ
⇒データの中で
傾向が分かれていそう
「０」「６」が
近いところにある
⇒特徴が似ているのかな
「0」と「1」は比較的
距離が遠い
⇒特徴が異なると
判断しているかもしれない

まとめ
 教師なし学習のおすすめポイント
データそのものの特徴を見つけてくれる
➢ DLにかける前に、ある程度結果が予想できる（仮説を立てやすい）！
➢ DLの結果だけではわからない特徴が把握できる！
-予測精度と合わせて、補足的に裏付けができる
➢ データそのものを扱うため、信憑性がある！
Page 8

まとめ
 教師なし学習の活用法
➢ 結果の考察
ディープラーニングを行う中で、教師なし学習などの機械学習手法と組み合
わせることで、結果の原因や考察の根拠、新しい見解がみつかりやすい。
➢ 精度の向上
傾向の異なるデータを除外した上で、適したデータに適したモデルを組み合
わせられる。
Page 9

20180717 unsupervised learning

More Related Content

What's hot (17)

Similar to 20180717 unsupervised learning (20)

More from Yutaka Terasawa (14)

20180717 unsupervised learning