はじパタ2nd 20130702 otanet
- 2. 自己紹介（@otanet） • 背景： 2008年まで環境問題（廃棄物）を研究。 -産業廃棄物の不法投棄の実証分析 -最終処分場の跡地利用の環境評価 -用いた手法：ゲーム理論、統計解析 • 現在：不動産賃貸のFC本部にてWebのKPIの集計業務 に従事（6月30日に退職、転職活動中） • スタンス：統計解析をパターン認識・機械学習に応用し て、幅広い分析のできるマーケターとして活躍したい。 2
- 3. 本日の担当箇所（2章前半 19:55～20:25） 第2章 識別規則と学習法の概要 まえがき 2.1 識別規則と学習法の分類 2.2 汎化能力 3
- 6. 2.1 識別規則と学習法の分類 6 2.1.1 識別規則の構成法 -ベイズの最大事後確立法 -最近傍法（KNN法) -パーセプトロン型学習回路・SVM -決定木（CART、C4.5） 学習データセット 2.1.2 教師付き学習 2.1.4 教師なし学習 -パーセプトロン型学習回路・SVM -クラスタリング（自己組織型学習） -決定木（CART、C4.5） -形質導入学習（効率化）
- 7. 2.1 識別規則と学習法の分類 7 2.1.1 識別規則の構成法 →4つ 2.1.2 教師付き学習 →線形識別関数、2クラスの場合、3つ以上のクラス の場合、学習データセットについて 2.1.3 教師付き学習と線形回帰 →2値の場合 2.1.4 教師なし学習 →すべてのデータ（クラスタリング）と一部のデータ （形質導入学習）
- 8. 2.1.1 識別規則の構成法（概要） 8 (c) 関数値 パーセプトロン型 学習回路 写像の実現方法 (d) 決定木 CART、C4.5 写像の実現方 法 決定木の終端 ノードでクラスを 分類 方法 代表例 (a) 事後確率 ベイズ推定法 写像の実現方法 事後確率の最大 のクラスに分類 (b) 距離 最近傍法 写像の実現方 法
- 9. 2.1.1 識別規則の構成法（概要） 9 (c) 関数値 パーセプトロン型 学習回路 サポートベクトル マシン R関数 nnet() 主な参照先 7章・8章 (d) 決定木 CART、C4.5 R関数 rpart() 主な参照先 11章 方法 代表例 (a) 事後確率 ベイズ推定法 R関数 - 主な参照先 3章・11章 (b) 距離 最近傍法 R関数 hclust() 主な参照先 5章
- 10. 2.1.2 教師付き学習 10
- 11. 例題2.1 11
- 13. 2.1.2（続き）学習と学習データその1 • 学習データ：入力データとそのクラスを指定したデータ （＝教師データ）を対にしたデータセットのこと。 13 識別クラス特徴ベクトル 重さ 透過率 サイズ 穴の有無 … - - 100円 - - 様々な 100円玉 - - - 特徴抽出 識別対象 識別規則 10円玉 50円玉 100円玉 500円玉 - 入力パターン 識別部特徴抽出部 出力 学習データ 教師データ 識別クラス入力データ
- 18. 参考文献一覧 1．平井（2003）「はじめてのパターン認識」 森北出版 2．石井他（1998）「わかりやすいパターン認識」 3．金編，金森・竹之内・村田著（2010）「Rで学ぶデータサイエン ス 5 パターン認識」 4．金編，姜著（2010）「Rで学ぶデータサイエンス 3 ベイズ統 計データ解析」 5．金著（2007）「Rによるデータサイエンス」 18