カーネルとカーネルトリック
問題
カーネルおよびカーネルトリックに関する記述として正しいものを1つ選べ。
解説
カーネルトリックは、サポートベクターマシン(SVM)などで非線形な境界線を引くための数学的な工夫です。
データをそのままでは直線で分けられない場合、データを仮想的に「高次元空間」に飛ばす(写像する)ことで直線で分けられるようにします。
通常、高次元に飛ばすと計算量が爆発しますが、カーネル関数を使うと「実際に高次元に変換することなく、高次元空間での内積を直接計算できる」ため、計算コストを抑えながら複雑な分類が可能になります。
1. カーネルはデータを低次元に圧縮する手法である
誤り:データを低次元に圧縮するのは主成分分析(PCA)などの次元削減手法です。カーネルはデータを「高次元」に写像する計算に関わります。
2. カーネルトリックは高次元に写像した後の内積を直接計算できる
正しい:実際にデータを高次元に変換する重い計算を省略し、元の次元のデータ同士の計算だけで高次元での内積を求められるのがカーネルトリックの最大の利点です。
3. カーネルは教師なし学習でのみ利用される
誤り:SVMやカーネルリッジ回帰など、正解ラベルを用いる「教師あり学習」の強力な手法として広く利用されます。
4. カーネルトリックは計算量を必ず増加させる
誤り:まともに高次元ベクトルを計算するのに比べて、計算量を劇的に「削減(高速化)」するための数学的テクニックです。
📚 より詳細を学びたい方へ
同じカテゴリの問題
- 教師あり学習の基本要件
- 回帰問題の理解
- 分類問題の特徴
- 決定木モデルの性質
- サポートベクターマシン(SVM)の理解
- カーネルとカーネルトリック
- 重回帰分析の理解
- 勾配ブースティングの特徴
- 多クラス分類の理解
- 教師あり学習のビジネス応用
- アンサンブル学習の基本概念
- バギングの特徴
- ブートストラップサンプリングの理解
- ランダムフォレストの性質
- ブースティングの理解
- ランダムフォレストの特徴
- 自己回帰モデル(AR)の理解
- VARモデルの特徴
- マージン最大化の理解
- ロジスティック回帰の理解
- 教師なし学習の基本概念
- k-means法の理解
- t-SNEの特徴
- ウォード法の理解
- 協調フィルタリングの理解
- クラスタリングの特徴
- 次元削減の理解
- 主成分分析(PCA)の理解
- 潜在的ディリクレ配分法(LDA)の理解
- 多次元尺度構成法(MDS)の理解
- デンドログラムの理解
- 特異値分解(SVD)の理解
- コンテンツベースフィルタリングの理解
- クラスタ分類の理解
- 強化学習の基本概念
- 方策(Policy)の理解
- 価値関数の理解
- 行動価値関数Q(s,a)の理解
- 状態価値関数V(s)の理解
- TD誤差の理解
- Actor-Criticの理解
- Q学習の特徴
- ε-greedy方策の理解
- UCB方策の理解
- バンディット問題の理解
- 方策勾配法の理解
- REINFORCEの特徴
- マルコフ決定過程(MDP)の理解
- マルコフ性の理解
- 期待割引報酬の理解
- 割引率γの理解
- 汎化性能の理解
- 訓練誤差と汎化誤差
- ホールドアウト検証の理解
- 交差検証の特徴
- k-分割交差検証の理解
- 混同行列の理解
- 偽陽性・偽陰性の理解
- 正解率の計算
- 適合率の計算
- 再現率の計算
- F値の理解
- 回帰指標MSEの理解
- RMSEの理解
- MAEの理解
- ROC曲線の理解
- AICの理解
- BICとオッカムの剃刀


