機械学習

2. 


3. 目的
「汎化誤差の小さな予測を出すこと」
※汎化誤差が小さいことを”汎化性能が高い”という

4. 目的
「汎化誤差の小さな予測を出すこと」
※汎化誤差が小さいことを”汎化性能が高い”という
 機械学習のキモは 学習させること ではない
データからパターンを学習，予測させ，汎化誤差が小さくなるよう調整する

5. •
•
•

6. •

•

•


7. •

•

•

1. バイアスの減らし方（複雑なデータへの当てはまり）
2. バリアンスの減らし方（過去データへの当てはまり）
トレードオフ

8. •

•

 誤り率 ERROR RATE
 HOLD OUT METHOD
 CROSS VALIDATION
 BOOTSTRAP

9. •

•

 誤り率 ERROR RATE
 HOLD OUT METHOD
 CROSS VALIDATION
 BOOTSTRAP
データをどの割合で
分割するかが問題(研
究)

10. 回帰分析

いくつかの点（配列）を一
本の曲線で代表すること

11. •
•
•
•

12. •


D(X(I),X(J)) = | X(I) - X(J) |
M: 1次元の実数空間
D: ２つの実数の絶対値

13. •


D(X(I),X(J)) = | X(I) - X(J) |
M: 1次元の実数空間
D: ２つの実数の絶対値R(I,j) = 1, d(x(i),x(j))
0, otherwise
→閾値r(I,j)

15. 

16. PDA dataset
歩行の３軸加速度データ
101人各１ヶ月分（30日）
• Gallery(train&test): 15262 pieces(422.8MB)
• Probe(validation): 133926 pieces(3.68GB)

17. PDA dataset
歩行の３軸加速度データ
101人各１ヶ月分（30日）
• Gallery(train&test): 15262 pieces(422.8MB)
• Probe(validation): 133926 pieces(3.68GB)
疑問
Validに必要なデータ数と
して大きすぎるのでは？

18. •
•
•
•
•
•
•
•

19. •
•
•
•
•
•
•
•
Archhitecture(3層のネットワーク)
Conv-relu-maxpool-affine-affine-relu-affine-softmax

20. 精度の向上するパラメー
タ(m, tau値)と最適なアー
キテクチャは何か
（研究）
•
•
•
•
•
•
•
•

21. •
•
•