アルティメットカンペ_機械学習の種類

G検定対策の記事です。以下内容をA41枚にまとめてプリントアウトすると試験中の検索性が向上します。私が利用したものはこちらからダウンロードできます。

技法 (1).pdf

61.4 KB

ファイルダウンロードについて

ダウンロード

SVM（サポートベクトルマシン）

【学習形態】　教師あり学習
【用途】　　　分類問題
【概要】
　・マージンの最大化がコンセプト
　・2つの線形分離する２クラスを分類するアルゴリズムとして開発
　・スラック変数でどの程度マージンを許容するか調整する
　・カーネルトリックは、カーネル法の計算量を大幅に削減
　・カーネル法は、境界を非線形にする

決定木

【学習形態】　教師あり学習
【用途】　　　分類問題、回帰問題
【概要】
　・下記アルゴリズムで実現
　　　条件分岐の繰り返し、情報利得の最大化、不純度の現象の最大化
　・ハイパーパラメータ
　　　深さ、各ノードのデータ数
　【メリット、デメリット】
　○ データスケールを事前に揃える必要なし
　○ 分析結果の説明が容易
　× 過学習しやすい

ランダムフォレスト

【学習形態】　教師あり学習
【用途】　　　分類問題、回帰問題
【概要】
　・下記アルゴリズムで実現
　　　決定技、バギング
　・特徴量をランダムサンプリングして、サンプルを重複ありサンプルしてデータセットに多様性をもたせる
【メリット、デメリット】
　○ 決定木に比べ過学習を起こしにくい
　× 中身がブラックボックス

ロジスティック回帰

【学習形態】　教師あり学習
【用途】　　　分類問題
【概要】
　・対数オッズを重回帰分析で予想する
　・対数オッズをロジスティック関数で変換して、クラスIに属する確率出す
【メリット、デメリット】
　○ 特徴量や重みから結果の貢献度がわかる
　× 外れ値に弱い

K近傍法

【学習形態】　教師あり学習
【用途】　　　分類問題
【概要】
　入力データに近い方からk個の学習データを取得し、多数の物をとって分類結果とする
【メリット、デメリット】
　○ 柔軟にモデルを作れる
　× データが少ないと効果発揮できない

主成分分析

【学習形態】　教師なし学習
【用途】　　　次元削減
【概要】
　多次元のデータに対して正味に効果のあるより少ない成分を抽出する手法
【メリット、デメリット】
　×変数間に相関のないデータには有効ではない

K -mean法

【学習形態】　教師なし学習
【用途】　　　次元削減
【概要】
　データ転の所属するクラスタを各データからクラスタ重心への距離が最も近いものから選択する
【メリット、デメリット】
　○手法が理解しやすく大規模データにも適用可能