Recommended
More Related Content
Featured
Featured (20)
機械学習
- 2. 機械学習 0) 前置き 1) 線形回帰モデル 2) 非線形回帰モデル 3) ロジスティックス回帰モデル 4) 主成分分析(PCA) 5) k近傍法(kNN)、k-平均法(k-means)アルゴリズム 6)サポートベクターマシーン(SVM)
- 4. 機械学習の種類 教師あり学習 予測タスク： 線形回帰・非線形回帰（最小二乗法、尤度最大化） 分類タスク： ロジスティックス回帰（尤度最大化） 最近傍、k-近傍 SVM（マージン最大化） モデル評価： ホールドアウト法、交差検証法 教師なし学習 クラスタリングタスク：k-means 次元削減：主成分分析（分散最大化）
- 6. 線形回帰モデル 線形とは・・・・ざっくり比例 y = Ax +B z = Ax + By +C ※ n次元空間における超平面の方程式 y = Ax + b 行列を使用して上記で表せるもの
- 12. 線形回帰モデル
- 16. 線形回帰モデル 線形回帰モデルパラメータwは最小二乗法で推定 ・平均二乗誤差（残差平方和）Mean Squer Error 小さいほど直線とデータの距離が近い 射影行列 予測したい新たな入力点
- 17. 線形回帰モデル(実装） ボストンの住宅価格データセット(scikit-learn提供） 住宅平均部屋数RMから価格を予測 データセット読み込み RMを説明変数Xとして PRICE を目的変数として
- 21. 非線形回帰モデル
- 23. 非線形回帰モデル
- 27. 非線形回帰モデル
- 29. 非線形回帰モデル
- 33. 非線形回帰モデル 解きたいのは、minMSE s.t. R(w) ≦ r (この条件を満たしつつ） ↓ 最適化：KKT条件より min MSE + λ・R(w) ← 追加項で不等式条件がなくなる w0 w1 MSE min MSE w0 = 0
- 34. 非線形回帰モデル 過学習が防げる
- 36. 検証法
- 37. 検証法
- 38. 検証法
- 39. 検証法
- 44. ハイパーパラメータの選定法
- 45. ロジスティックス回帰モデル
- 46. ロジスティックス回帰モデル
- 47. ロジスティックス回帰モデル
- 49. ロジスティックス回帰モデル
- 54. ロジスティックス回帰モデル
- 55. ロジスティックス回帰モデル
- 56. ロジスティックス回帰モデル
- 57. ロジスティックス回帰モデル 尤度関数を最大とするパラメータを探す(推定) ○対数をとると微分の計算が簡単 ■同時確率の積が和に変換可能 ■指数が積の演算に変換可能 ○対数尤度関数が最大になる点と尤度関数が最大になる点は同じ ■対数関数は単調増加(ある尤度の値がx1 < x2の時、必ずlog(x1) < log(x2)となる) ○「尤度関数にマイナスをかけたものを最小化」し、「最小 2乗法の最小化」と合わせる 分母が０にならないように、桁落 ちしないように
- 61. ロジスティックス回帰モデル
- 68. 主成分分析（PCA） 軸の再設定
- 69. 主成分分析（PCA）
- 70. 主成分分析（PCA）
- 71. 主成分分析（PCA） Ax = λx の形 →固有値
- 72. 主成分分析（PCA）
- 73. 主成分分析（PCA）実装
- 76. 主成分分析（PCA）実装（２）
- 77. 主成分分析（PCA）実装（２）
- 83. k近傍法(kNN)、k-平均法(k-means)アルゴリズム k-平均法(k-means)アルゴリズム 1) 各クラスタ中心の初期値を設定する 2) 各データ点に対して、各クラスタ中心との距離を計算し、最も距 離が近いクラスタを割り当てる 3) 各クラスタの平均ベクトル（中心）を計算する 4) 収束するまで2, 3の処理を繰り返す
- 102. サポートベクターマシン（SVM)