【翻訳】scikit-learn 0.18 チュートリアル 適切なモデルの選択

http://scikit-learn.org/0.18/tutorial/machine_learning_map/index.html をgoogle翻訳した
チュートリアル 目次 / 前のチュートリアル

---

適切な推定器の選択

多くの場合、機械学習の問題を解決する最も難しい部分は、その仕事のための正しい推定器を見つけることです。
データの種類や問題ごとに、適した推定器は異なります。
以下のフローチャートは、どの推定器でデータを試してみるかという大まかなガイドをユーザーに提供することを目的としています。
下の図の見積もりをクリックすると、そのドキュメントが表示されます。(訳注：クリックできません)

scikit-learnアルゴリズムチートシート

開始

• サンプルが50以上あるか？
  • NO → もっとデータを集めましょう
• yes ↓
• カテゴリを推定したい？
  • Yes → ラベル付けされた教師データがある？
    • ある → 分類
    • ない → クラスタリング
  • No
    • 量を予想したい？ yes → 回帰
    • 見るだけ？ yes → 次元削減
    • 構造を予想したい？
    • ついてないね・・・

分類

• サンプルは10万より少ない？
• Yes
  • LinearSVC
  • うまくうごかない
  • テキストデータか？
    • yes → ナイーブベイズ
    • no
      • k近傍法
      • うまくうごかない↓
      • SVC
      • アンサンブル法
• No
  • 確率的勾配法の分類
  • うまく動かない↓
  • カーネル近似

クラスタリング

• カテゴリがいくつあるか知ってる？
• 知ってる
  • 1万サンプルより少ない？
  • Yes↓
    • k平均法(KMeans)
    • うまくいかない↓
    • スペクトラルクラスタリング
    • 混合ガウスモデル(GMM)
  • no
    • ミニバッチk平均法
• 知らない
  • 1万サンプルより少ない？
  • Yes↓
    • MeanShift
    • 変分混合ガウス分布
  • No → ついてないね・・・

回帰

• サンプルは10万より少ない？
  • no → 確率的勾配法の回帰
• yes ↓
• 重要な特徴はほとんどない？
  • yes
    • Elastic Net
    • Lasso
  • no
    • リッジ回帰
    • SVR(kernel='linear')
    • これらがうまく動かない ↓
    • アンサンブル法
    • SVR(kernel='rbf')

次元削減

• Randomized PCA
• うまくいかない ↓
• 10万サンプルより少ない？
  • no → カーネル近似
  • yes ↓
    • Isomap
    • スペクトル埋め込み（ラプラス固有写像）
    • うまく動かない↓
    • LLE

---

チュートリアル 目次 / 次のチュートリアル

©2010 - 2016、scikit-learn developers（BSDライセンス）。