Submit Search
Upload
解説#81 ロジスティック回帰
•
0 likes
•
174 views
Ruo Ando
Follow
2値分類問題のスタンダードであるロジスティック回帰についての解説資料です。
Read less
Read more
Education
Report
Share
Report
Share
1 of 11
Download now
Download to read offline
Recommended
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
機械学習 入門
機械学習 入門
Hayato Maki
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
Shintaro Fukushima
距離と分類の話
距離と分類の話
考司 小杉
A3C解説
A3C解説
harmonylab
Recommended
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
機械学習 入門
機械学習 入門
Hayato Maki
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
Shintaro Fukushima
距離と分類の話
距離と分類の話
考司 小杉
A3C解説
A3C解説
harmonylab
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
Katsuki Ohto
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
Prml6
Prml6
Arata Honda
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Shota Yasui
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
2値分類・多クラス分類
2値分類・多クラス分類
t dev
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
劣モジュラ最適化と機械学習 2.4節
劣モジュラ最適化と機械学習 2.4節
Hakky St
画像処理基礎
画像処理基礎
大貴 末廣
はじぱた7章F5up
はじぱた7章F5up
Tyee Z
PRML輪読#2
PRML輪読#2
matsuolab
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
Chapter2.3.6
Chapter2.3.6
Takuya Minagawa
最適輸送の解き方
最適輸送の解き方
joisino
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
KISTI-NII Joint Security Workshop 2023.pdf
KISTI-NII Joint Security Workshop 2023.pdf
Ruo Ando
Gartner 「セキュリティ&リスクマネジメントサミット 2019」- 安藤
Gartner 「セキュリティ&リスクマネジメントサミット 2019」- 安藤
Ruo Ando
More Related Content
What's hot
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
Katsuki Ohto
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
Prml6
Prml6
Arata Honda
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Shota Yasui
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
2値分類・多クラス分類
2値分類・多クラス分類
t dev
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
劣モジュラ最適化と機械学習 2.4節
劣モジュラ最適化と機械学習 2.4節
Hakky St
画像処理基礎
画像処理基礎
大貴 末廣
はじぱた7章F5up
はじぱた7章F5up
Tyee Z
PRML輪読#2
PRML輪読#2
matsuolab
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
Chapter2.3.6
Chapter2.3.6
Takuya Minagawa
最適輸送の解き方
最適輸送の解き方
joisino
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
What's hot
(20)
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
論文紹介 Anomaly Detection using One-Class Neural Networks (修正版
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Prml6
Prml6
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
2値分類・多クラス分類
2値分類・多クラス分類
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
劣モジュラ最適化と機械学習 2.4節
劣モジュラ最適化と機械学習 2.4節
画像処理基礎
画像処理基礎
はじぱた7章F5up
はじぱた7章F5up
PRML輪読#2
PRML輪読#2
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Chapter2.3.6
Chapter2.3.6
最適輸送の解き方
最適輸送の解き方
不均衡データのクラス分類
不均衡データのクラス分類
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
More from Ruo Ando
KISTI-NII Joint Security Workshop 2023.pdf
KISTI-NII Joint Security Workshop 2023.pdf
Ruo Ando
Gartner 「セキュリティ&リスクマネジメントサミット 2019」- 安藤
Gartner 「セキュリティ&リスクマネジメントサミット 2019」- 安藤
Ruo Ando
解説#86 決定木 - ss.pdf
解説#86 決定木 - ss.pdf
Ruo Ando
SaaSアカデミー for バックオフィス アイドルと学ぶDX講座 ~アイドル戦略に見るDXを専門家が徹底解説~
SaaSアカデミー for バックオフィス アイドルと学ぶDX講座 ~アイドル戦略に見るDXを専門家が徹底解説~
Ruo Ando
解説#83 情報エントロピー
解説#83 情報エントロピー
Ruo Ando
解説#82 記号論理学
解説#82 記号論理学
Ruo Ando
解説#74 連結リスト
解説#74 連結リスト
Ruo Ando
解説#76 福岡正信
解説#76 福岡正信
Ruo Ando
解説#77 非加算無限
解説#77 非加算無限
Ruo Ando
解説#1 C言語ポインタとアドレス
解説#1 C言語ポインタとアドレス
Ruo Ando
解説#78 誤差逆伝播
解説#78 誤差逆伝播
Ruo Ando
解説#73 ハフマン符号
解説#73 ハフマン符号
Ruo Ando
【技術解説20】 ミニバッチ確率的勾配降下法
【技術解説20】 ミニバッチ確率的勾配降下法
Ruo Ando
【技術解説4】assertion failureとuse after-free
【技術解説4】assertion failureとuse after-free
Ruo Ando
ITmedia Security Week 2021 講演資料
ITmedia Security Week 2021 講演資料
Ruo Ando
ファジングの解説
ファジングの解説
Ruo Ando
AI(機械学習・深層学習)との協働スキルとOperational AIの事例紹介 @ ビジネス+ITセミナー 2020年11月
AI(機械学習・深層学習)との協働スキルとOperational AIの事例紹介 @ ビジネス+ITセミナー 2020年11月
Ruo Ando
【AI実装4】TensorFlowのプログラムを読む2 非線形回帰
【AI実装4】TensorFlowのプログラムを読む2 非線形回帰
Ruo Ando
Intel Trusted Computing Group 1st Workshop
Intel Trusted Computing Group 1st Workshop
Ruo Ando
情報セキュリティと標準化I 第15回
情報セキュリティと標準化I 第15回
Ruo Ando
More from Ruo Ando
(20)
KISTI-NII Joint Security Workshop 2023.pdf
KISTI-NII Joint Security Workshop 2023.pdf
Gartner 「セキュリティ&リスクマネジメントサミット 2019」- 安藤
Gartner 「セキュリティ&リスクマネジメントサミット 2019」- 安藤
解説#86 決定木 - ss.pdf
解説#86 決定木 - ss.pdf
SaaSアカデミー for バックオフィス アイドルと学ぶDX講座 ~アイドル戦略に見るDXを専門家が徹底解説~
SaaSアカデミー for バックオフィス アイドルと学ぶDX講座 ~アイドル戦略に見るDXを専門家が徹底解説~
解説#83 情報エントロピー
解説#83 情報エントロピー
解説#82 記号論理学
解説#82 記号論理学
解説#74 連結リスト
解説#74 連結リスト
解説#76 福岡正信
解説#76 福岡正信
解説#77 非加算無限
解説#77 非加算無限
解説#1 C言語ポインタとアドレス
解説#1 C言語ポインタとアドレス
解説#78 誤差逆伝播
解説#78 誤差逆伝播
解説#73 ハフマン符号
解説#73 ハフマン符号
【技術解説20】 ミニバッチ確率的勾配降下法
【技術解説20】 ミニバッチ確率的勾配降下法
【技術解説4】assertion failureとuse after-free
【技術解説4】assertion failureとuse after-free
ITmedia Security Week 2021 講演資料
ITmedia Security Week 2021 講演資料
ファジングの解説
ファジングの解説
AI(機械学習・深層学習)との協働スキルとOperational AIの事例紹介 @ ビジネス+ITセミナー 2020年11月
AI(機械学習・深層学習)との協働スキルとOperational AIの事例紹介 @ ビジネス+ITセミナー 2020年11月
【AI実装4】TensorFlowのプログラムを読む2 非線形回帰
【AI実装4】TensorFlowのプログラムを読む2 非線形回帰
Intel Trusted Computing Group 1st Workshop
Intel Trusted Computing Group 1st Workshop
情報セキュリティと標準化I 第15回
情報セキュリティと標準化I 第15回
Recently uploaded
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
inspirehighstaff03
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
inspirehighstaff03
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
yukisuga3
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
inspirehighstaff03
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
inspirehighstaff03
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
inspirehighstaff03
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
inspirehighstaff03
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
inspirehighstaff03
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
inspirehighstaff03
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
Ken Fukui
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
Ken Fukui
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
inspirehighstaff03
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
Ken Fukui
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
inspirehighstaff03
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
Ken Fukui
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
inspirehighstaff03
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
inspirehighstaff03
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
Ken Fukui
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
inspirehighstaff03
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
ssusere0a682
Recently uploaded
(20)
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
解説#81 ロジスティック回帰
1.
解説#81 ロジスティック回帰 https://www.youtube.com/user/blinknetmonitoring 安藤類央
2.
ロジスティック回帰とは • 線形分離問題と二値分類問題に使う手法(アルゴリズム)。 • 名前とは裏腹に、分類問題に使う。 •
閾値関数の前の、活性関数にシグモイド関数を使う。 • データが特定のクラス(2つ)に属する確率を出力する。 • シンプルだが、精度と性能が理論的に保証されており、強力な 手法。
3.
x1 x2 f(x1,x2)<0 f(x1,x2)>0 P=0.5 f(x1,x2) 感染確率P 感染していない 感染している σ x = 1 1
+ 𝑒 P −∞ ≤ x ≤ ∞ = 𝑓 𝑥 𝑑𝑥 = 1 F x = 𝑓 𝑡 𝑑𝑡 ロジスティック回帰のイメージ シグモイド関数σ x 確率密度関数σ x
4.
W W ∑ 予測値 W W ∑ σ
予測値 W W ∑ 予測値 ❐パーセプトロン ❐ADALINE (Adaptive Linear Neuron) ❐ロジスティック回帰 σ x = 1 1 + 𝑒 ❐線形活性化関数 φ 𝑤 ∗ 𝑥 = 𝑤 + 𝑥 ❐シグモイド関数 ❐活性化関数:なし ロジスティック回帰への道 ニューロンの出力は0か1。 線形加重和∑に活性関数φが加わる。 ニューロンの出力は0か1。 0から1の確率が出力される。
5.
𝑃 𝑐 =
1 ) = 𝜎(𝑊 𝑥 + 𝑏) … (1) 𝑃 𝑐 = 0 𝑥 = 1 − 𝑃 𝑐 = 1 ) … (2) 𝑦 ∶= 𝜎(𝑊 𝑥 + 𝑏) 𝑃 𝐶 = 𝑡 𝑥 = 𝑦 +(1 − 𝑦) … (3) (1)と(2)をまとめると、 N個の入力データXn およびそれぞれに対応する正解の出力データtnがあたえられたとき、尤度関数は、 L w, b = ∏ 𝑃 𝐶 = 𝑡 𝑥 …(4) L w, b = 𝑦 1 − 𝑦 … (5) 確率関数から尤度関数へ (1)と(3)から、 データが1と分類される確率 データが0と分類される確率 この式がデータの個数tだけ存在する。 なぜ総乗関数なのか。個々の確率関数(3)の値を すべて1に近づけたいため。 この尤度関数を最適化 (最尤推定)する
6.
= - 尤度関数から交差エントロピー誤差関数へ この関数の最大化を考える場合、 パラメータの偏微分(勾配)を求める。 しかし、(5)の式は積の形(総乗)を しており、偏微分の計算が非常に困難 E(エネルギー値)を設定し、 対数を取って和の形にする。 交差エントロピー誤差関数 関数Eのことを誤差関数・損失関数と言う。
7.
誤差関数から勾配降下法へ 𝑤 = 𝑤
− 𝜂 𝑦 − 𝑡 )𝑥 … (9) 𝑏 = 𝑏 − 𝜂 𝑦 − 𝑡 … 10 𝜕𝐸(𝑤, 𝑏) 𝜕𝑤 = 𝜕𝐸 𝜕𝑦 𝜕𝑦 𝜕𝑤 = − 𝑡 − 𝑦 )𝑥 … (7) 𝜕𝐸(𝑤, 𝑏) 𝜕𝑏 = − 𝑡 − 𝑦 ) … (8) - ❐交差エントロピー誤差関数におけるパラメータは wとbなので、「w、bで偏微分して0になる値」 を求める。 ❐この場合、解析的にこの値を求めるのは困難。 ❐反復学習により、パラメータを逐次的に更新 することで最適解を探すアプローチを 勾配降下法という。
8.
勾配降下法① – 1変数(1つの重み) ①現地点Wでの勾配を計算する ことにより方向を特定 ②誤差の小さくなる方向に Wを変化させる ❐
重みを変化させると誤差が変化する ❐ 勾配は𝛻𝐸とする ❐ 誤差Eが最小になるような重みの値を見つける ❐ 勾配を使った反復学習により、パラメータを逐次的に更新することで最適解を探索するアプローチ。 ① 現時点Wでの勾配を計算する ② 誤差の小さくなる方向へWを変化させる ΔE = * ΔW Δ ΔW Δ Δw = (Δ𝑤 , Δ𝑤 , … Δ𝑤 )
9.
勾配降下法② - 2変数(2つの重み) ΔError=h(w1,
w2) w1=0, w2=0の時 Errorの値が最小(0) 等高線 (Eが標高) ΔE = ▽E * ΔW <0 (0以下)の値を 取るときに誤差は 確実に減少方向に 進む。 計算したら出てく る値であり、変更 できない。 変更できるのは この値。 最小値(E=0) 等高線: Eが同じ値になる w1とw2の組み合わせを線に したもの。 等高線が近接していればいる ほど、局面の傾きが急になる。 最も誤差が急になるのは常に 等高線に対して垂直な方向。 ❐ ΔError=h(w1, w2)として、2次元の曲面を下っていくイメージで考える。
10.
参考:混合行列(Confusion Matrix) 予測 猫 犬 実際 猫
30 10 犬 20 40 40匹の猫と60匹の犬をサンプリング 正しく認識できたのは、 猫40匹に対して30匹 犬60匹に対して40匹 適合率=30/30+20=30/50=0.6 感度=30/30+10=30/40=0.75 ✔ 🚫 ✔ TP FN 🚫 FP TN 感度(再現率・真陽性率)=TP/TP+FN 適合率=TP/TP+FP 陰性的中率 = FN/FN+TB
11.
ロジスティック回帰とは • 線形分離問題と二値分類問題に使う手法(アルゴリズム)。 データが特定のクラス(2つ)に属する確率を出力する。 • 閾値関数の前の、活性関数にシグモイド関数を使う。 •
シンプルだが、精度と性能が理論的に保証されており、強力な手法。 • Scikit-Learnのライブラリでは、結果の評価に混合行列やROC曲 線などが容易されている。
Download now