g-kentei-kei

ブートストラップサンプリング (Bootstrap Sampling) 解説 ブートストラップサンプリングとは、統計学や機械学習において、元のデータセット（サイズN）から、「重複を許して（復元抽出）」ランダムにN個のデータを抽出して新しいデ...

バギング（Bagging） 1. 解説 バギング（Bagging）は、正式名称を「Bootstrap aggregating」と言い、その名の通り「ブートストラップサンプリング」と「アグリゲーティング（集約）」を組み合わせたアンサンブル学習...

アンサンブル学習（Ensemble Learning） 1. 解説 アンサンブル学習とは、複数のモデル（学習器）を組み合わせて、単一のモデルよりも高い精度や汎化性能（未知のデータへの対応力）を得ようとする手法のことです。 ことわざの「三人寄...

多クラス分類（Multi-class Classification） 1. 解説 多クラス分類とは、データを「AかBか」の2つではなく、3つ以上のクラス（カテゴリ）に分類するタスクのことです。 例えば、「手書き数字（0〜9の10通り）の認識...

重回帰分析 (Multiple Regression Analysis) 解説 重回帰分析とは、1つの目的変数（予測したい値）に対して、2つ以上の説明変数（予測の手がかりとなる値）を使って予測を行う回帰分析の手法です。 数式と「超平面」のイ...

線形回帰 (Linear Regression) 解説 線形回帰とは、データの傾向を最もよく表す「直線（または超平面）」を引き、その直線を使って未知の数値を予測する、最も基本的かつ強力な統計手法です。 単回帰と重回帰 予測に使うデータ（説明...

サポートベクターマシン (SVM) 解説 サポートベクターマシン（SVM）とは、教師あり学習（主に分類タスク）で用いられる強力なアルゴリズムです。ディープラーニングが流行する前は、「最強の分類器」として広く使われていました。 「マージン最大...

勾配ブースティング (Gradient Boosting) 解説 勾配ブースティング（Gradient Boosting）とは、複数の「弱い学習器（主に浅い決定木）」を順番に作成し、前のモデルの失敗（誤差）を次のモデルが修正していくことで、...

決定木（Decision Tree） 1. 解説 決定木は、「もし〇〇ならA、そうでなければB」という条件分岐を繰り返し、フローチャートのような木構造を作って予測を行う機械学習モデルです。 分類問題（分類木）と回帰問題（回帰木）の両方に利用...

分類問題（Classification） 1. 解説 分類問題とは、入力されたデータが「どのグループ（カテゴリ・クラス）に属するか」を予測するタスクです。目的変数が「離散値（飛び飛びの値）」になるのが最大の特徴です。 例えば、「この写真は犬...