Downloaded 68 times
![Random Forestの活用例
基礎研究よりも応用研究・実務向けで活躍
応用研究・製品例：Kinectの姿勢推定 [1]
トップカンファレンスCVPR 2011のベストペーパー
モーションキャプチャの値段を3000万円から2万円にした
趣味例：競技系プログラミング（ KaggleやTopCoder）
デフォルトのアルゴリズム扱い。
ほかのアルゴリズムと組み合わせるとつよい (e.g., stacking, blending)
[1] Shotton et al., “Real-Time Human Pose Recognition in Parts from Single Depth
Images”, 2011, CVPR (Best Paper)
[1]より引用](https://image.slidesharecdn.com/randomforest-160313164134/85/10-Random-forest-3-320.jpg)
![ 文字認識を解く実装
識別フェーズ学習フェーズ
機械学習ライブラリ（Scikit-learn）に
よる実装例
Random Forest 学習済Random Forest
0
# -*- coding: utf-8 -*-
#おまじない
from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier
#データセット読み込み
digits = datasets.load_digits()
#モデル生成
classifier = RandomForestClassifier()
#学習フェーズ
classifier.fit(digits.data,digits.target)
#識別フェーズ
result = classifier.predict(digits.data[0])
print result http://scikit-learn.org/0.11/auto_examples/plot_digits_classification.htmlより図を引用](https://image.slidesharecdn.com/randomforest-160313164134/85/10-Random-forest-4-320.jpg)
![参考文献
[1] Leo Breiman, “Random Forest”,
http://link.springer.com/article/10.1023%2FA%3A101093340
4324
[2] 藤吉弘亘, “CVIMチュートリアル”,
http://www.vision.cs.chubu.ac.jp/CVTutorial/PDF/04Rando
mForests.pdf](https://image.slidesharecdn.com/randomforest-160313164134/85/10-Random-forest-8-320.jpg)
Uploaded byYasunori Ozaki
10分でわかるRandom forest
Random forestが10分でわかるようにまとめました。Random Forestが解く対象は識別問題のみとしています。はるか昔に作った資料なので、今になっては読者の皆様にとってお役に立てるかはわかりません。
More Related Content
![[DL輪読会]医用画像解析におけるセグメンテーション](https://cdn.slidesharecdn.com/ss_thumbnails/20190301fujino4-190322072121-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...](https://cdn.slidesharecdn.com/ss_thumbnails/wgan-1-170224021826-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling](https://cdn.slidesharecdn.com/ss_thumbnails/decisiontransformer20210709zhangxin-210709021501-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DL輪読会]ドメイン転移と不変表現に関するサーベイ](https://cdn.slidesharecdn.com/ss_thumbnails/20190614iwasawa-190614005939-thumbnail.jpg?width=640&height=640&fit=bounds)
![SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用](https://cdn.slidesharecdn.com/ss_thumbnails/ssii2022-os3-01-220607020740-e80781dc-thumbnail.jpg?width=640&height=640&fit=bounds)
Similar to 10分でわかるRandom forest
10分でわかるRandom forest
- 1.
- 2. Random Forest 識別問題と回帰問題が一般的に解ける機械学習モデル 従来手法（SVM）と比べてのメリット 特徴量の重要度がわかる 学習にかかる計算量が比較的少なく、分散処理が簡単 学習とモデルの性能評価が同時にできる アルゴリズムがシンプルなのでカスタマイズしやすい おすすめの使い方 がんばって集めた数百～数万個のデータをもとに問題を解いてみたい、 かつ、原因も分析したいときの一手目 Random Forestとは ※識別問題：入力データから離散的な値を推定する問題（e.g., リンゴかミカンかを見分ける問題） ※回帰問題：入力データから連続的な値を推定する問題（e.g., リンゴの糖度を見た目から推定する問題） ・・・ 決定木１ 決定木２
- 3. Random Forestの活用例 基礎研究よりも応用研究・実務向けで活躍 応用研究・製品例：Kinectの姿勢推定 [1] トップカンファレンスCVPR 2011のベストペーパー モーションキャプチャの値段を3000万円から2万円にした 趣味例：競技系プログラミング（ KaggleやTopCoder） デフォルトのアルゴリズム扱い。 ほかのアルゴリズムと組み合わせるとつよい (e.g., stacking, blending) [1] Shotton et al., “Real-Time Human Pose Recognition in Parts from Single Depth Images”, 2011, CVPR (Best Paper) [1]より引用
- 4. 文字認識を解く実装 識別フェーズ学習フェーズ 機械学習ライブラリ（Scikit-learn）に よる実装例 Random Forest学習済Random Forest 0 # -*- coding: utf-8 -*- #おまじない from sklearn import datasets from sklearn.ensemble import RandomForestClassifier #データセット読み込み digits = datasets.load_digits() #モデル生成 classifier = RandomForestClassifier() #学習フェーズ classifier.fit(digits.data,digits.target) #識別フェーズ result = classifier.predict(digits.data[0]) print result http://scikit-learn.org/0.11/auto_examples/plot_digits_classification.htmlより図を引用
- 5. Random Forestのアルゴリズム概要： 識別問題編 学習フェーズ たくさんの決定木をそれぞれにランダム要素を入れて作る 決定木：if文っぽく識別問題を解くモデル 例：文字認識の決定木 （特徴量はあくまでイメージです） Random Forest ・・・ 決定木１ 決定木２ 丸の数≧２ 丸の数<2 細長い＝はい 8 1 細長い＝いいえ 4
- 6. Random Forestのアルゴリズム概要：識 別問題編 識別フェーズ 各決定木に入力データを入れて、多数決をとる 学習済みRandom Forest 決定木１ 決定木２ 0 0 6 多数決 決定木３ 0
- 7. まとめ Random Forest 識別問題と回帰問題が一般的に解ける機械学習モデル 画像認識以外にも自然言語処理などにも使えます 詳しい使い方は相談ください うまく使うには前処理やパラメータ調整などの ノウハウが必要となります Random Forest ・・・ 決定木１ 決定木２
- 8. 参考文献 [1] Leo Breiman,“Random Forest”, http://link.springer.com/article/10.1023%2FA%3A101093340 4324 [2] 藤吉弘亘, “CVIMチュートリアル”, http://www.vision.cs.chubu.ac.jp/CVTutorial/PDF/04Rando mForests.pdf
- 9.
- 10. どんなやつがかいてるのこの文章 尾崎安範 某民間研究所 専門はロボットによるマルチモーダル・インタラクション Random Forest歴：3年
- 11. 主観と偏見に満ちた 各アルゴリズムのメリット・デメリット Random Forest 非線形SVM ディープラーニング (多層CNN+全結合層) 汎化能力 ○○ ○○○ 前処理の手間 △ × △ 学習時間 ○ △ × 原因分析しやすさ ○ ×× × 認識時間 ○ ○ △ 少量のサンプルで学習可 △ △ ×× (最低数万、 できれば数千万) パラメータ調整が楽 △ × ××（黒魔術）