機械学習アルゴリズムの3つの主要構成
1 意識決定プロセス
一般に、機械学習アルゴリズムは、予測または分類を行うために使用される。
2 誤差関数
モデル評価を行うために、誤差関数を評価してモデル予測を評価する。
3 モデルの最適化プロセス
モデルの評価を行い、既知の例とモデルの評価の誤差を少なくしていく。「評価と最適化」のプロセスを繰り返して、制度の閾値が自律的に満たされるまで反復する。
機械学習アルゴリズムの大別について
機械学習アルゴリズムは、大きく3つに大別することが可能である。
・教師有り学習
・教師無し学習
・強化学習
の3つである。
教師有り学習
教師有り学習は、回帰、分類に分けることが可能である。
回帰は、従属変数と独立変数の関係(XとYの関係)を理解するために使用されます。これは、特定のビジネスの売上収益などを予測するのによく使用されます。線形回帰、ロジスティック回帰、および多項式回帰は一般的な回帰アルゴリズムである。
分類は、確認対象のデータを特定のカテゴリーに分類するのにつかわれるアルゴリズムである。
教師有り学習で使用されるアルゴリズム
教師有りで使用されるアルゴリズムについて、どのようなものがあるかを見ていこう。
- AdaBoostまたは勾配ブースティング
- 決定木
- 人工ニューラル・ネットワーク (別名 : ニューラルネットワーク)
- ロジスティック回帰
- ランダムフォレスト
- 線形回帰
- サポートベクターマシン
教師無し学習
教師無し学習は、ラベルのないデータに対して関連付けを見つけ出してパターンを見つけ出すのに役に立つ。教師無し学習のアルゴリズムとしては、
- 次元削除 (主成分分析)
- クラスタリング
- k平均法クラスタリング
などがある。
強化学習
人間が学習するのと同じように、罰則と報酬により訓練する。この罰則と報酬は、エージェントにより制定されて、追跡が実施される。
この罰則と報酬によるスコアダウン、スコアアップの確率を最適化しながら楽手をしていく。