[今日の有益]機械学習編まとめ
[今日の有益]
— 濁沼広樹⛅TEIT inc. (@nigohiroki) May 14, 2020
機械学習の目的は大きく二つに分けられる。
1. 回帰
2. 分類
連続値を予測する場合は回帰。
属性を予測する場合は分類。
例えばある人物のデータがあったとして、
回帰 : 身長や体重を予測
分類 : 性別を予測
問題に取り組む前に回帰か分類かを理解した上で取り組むことが重要。
[今日の有益]
— 濁沼広樹🌥️TEIT inc. (@nigohiroki) May 15, 2020
一般的なCSVにおいて、機械学習にて予測したいカラムをターゲット。それ以外のカラムを特徴量という。
特徴量が増えるとモデルは複雑になるため、複数の特徴量をいくつかの数にまとめる。このまとめることを次元削減といい、主成分分析で行う。
[今日の有益]
— 濁沼広樹🌥️TEIT inc. (@nigohiroki) May 16, 2020
知能を定義すると4つの機能に分けられる。
1. 計算
2. 記憶
3. 認識
4. 推論
さらに二つに分けると
人間が得意: 認識、推論
コンピュータが得意: 計算、記憶
人間が得意な方をコンピュータにさせるというのがAIの考え方。
[今日の有益]
— 濁沼広樹🌥️TEIT inc. (@nigohiroki) June 3, 2020
機械学習で分類問題の結果は4つに分かれる。
前提として、0と1を予測することを考える。
TP : 正しい答えが1で予測も1
FP : 正しい答えが0で予測が1
TN : 正しい答えが0で予測も0
FN : 正しい答えが1で予測が0
機械学習の評価をする前にまずは結果について上記のラベルを付与する。
[今日の有益]
— 濁沼広樹⛅TEIT inc. (@nigohiroki) June 4, 2020
0か1かを予測する機械学習の評価指標、
Precision
定義 = TP/(TP+FP)
意味 => 1と予測したもののうち、本当に1だった割合
Rcall
定義 = TP/(TP+FN)
意味 => 本当の1のなかで、正しく1と予測できた割合
ここから先は
0字
¥ 100
旅行が好きでそれに関わる事業を行なっています。写真のレベルをもっとあげたい!