Un supervised learning
- 1. Pythonで始める機械学習 scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎 3章教師なし学習 早稲田大学 4年 内田 裕貴 2018/5/13 アプリケーション開発サークル A+plus勉強会 1
- 2. 教師あり学習と教師なし学習 アルゴリズム 活用先 教師あり学習 分類 ロジスティック回帰/決 定木/SVM/ニューラル ネットワーク スパムメール判定 回帰 線形回帰分析 価格予測 教師なし学習 次元圧縮 主成分分析/特異値分析 など 商品の類似性可視化 クラスタリング K-means法など 顧客のセグメント分け 2
- 3. 教師なし学習 アルゴリズムの学習に教師情報を用いない機械学習 一般的に、知識を抽出する事が目的 正解データがないため、教師なし学習の結果は手動で確かめるしかない データをよりよく理解するため データを教師あり学習に使用するための前処理 3
- 5. 次元削減 高次元な入力データから、少量の本質的な特徴を発見し、入力データを要約する事 その結果 可視化・データの圧縮・表現の発見 などが可能 使用するアルゴリズム 主成分分析(PCA) 非負値行列因子分解(NMF) t-SNE 5
- 7. 非負値行列因子分解(NMF) 特徴量を抽出することを目的とした手法 全てが非負値でなければ使えないが、PCAよりも理解しやすい成分に分解してくれる。 (例えば、複数の楽器から成り立っている音楽を楽器ごとの音に分解するなど) NMFで分解される成分は、足し算によって表現できる成分である。 そのため、掛け算や割り算によって説明する成分よりも直感的に理解しやすいもので ある事が多い PCAとアルゴリズムが似ているので次元削減にも使える 7
- 8. t-sneを用いた多様体学習 多様体学習アルゴリズムの一種で、データを説明できる特徴を生成する データを変換して散布図で可視化したい場合に用いる 可視化であれば、PCAでも良いが、回転させ、成分を削ぎ落とすという関係上、 有用性が限られる 2点間の近さを、確率分布で表す手法 8 https://blog.albert2005.co.jp/2015/12/02/tsne