機械学習とは

/機械学習

機械学習とは

機械学習とは、大量のデータからルールやパターンを発見し、それを応用することで、判断や予測を行う技術です。機械学習は、AI(人工知能)の要素技術であり、基本的には統計分析の手法を用いています。

類似の言葉にデータマイニングがあります。データマイニングの目的は、大量のデータからルールやパターンを発見することで、機械学習の目的は、それを利用し判断や予測を行うことです。両者は同じほぼ技術が用いられます。

以下で機械学習の主な技法について説明します。

決定木

決定木(decision tree)とは、決定を行うための予測モデルで、意思決定を助けるすることを目的としている。

例えば、コンビニのある商品の売れ行きが、天気(晴、雨)、気温(高い、低い)、曜日(平日、休日)で異なる場合、店長は仕入れる数量を条件によって増減させる必要があります。このとき、天気・気温・曜日は独立変数として、8つのケースに分けて、仕入れの増減の決定を行うことになります。

決定木のアルゴリズムには、C4.5、CARTなどがあります。

決定木とは
機械学習、分類や意思決定の分岐を階層的に表した樹形図、学習アルゴリズム、多様性指数、ジニ係数、情報利得

ニューラルネットワーク

ニューラルネットワークとは、脳機能の特性に類似した数理的モデルです。ニューロン(神経細胞)とシナプス(ニューロンの接合部分)からネットワークを形成し、学習によってシナプスの結合強度を変化させ、問題解決を行います。

ニューロンを配置する層は、入力層、中間層、出力層に分かれており、中間層が2層以上の場合を、ディープラーニングと呼びます。

入力データに対し、期待した出力が得られるよう、シナプスの結合強度を変えることを「学習する」と言います。

ニューラルネットワークとは
脳機能の特性に類似した数理的モデル、ニューロンとシナプスのネットワーク、ネットワーク関数、二乗和誤差、誤差逆伝搬法

サポートベクトルマシン

サポートベクトルマシンとは、与えられたデータを分類する、つまり境界を設定するするための技法です。

通常は、この境界は線形図形で表されます。例えば、2次元(平面)上のデータを分類する場合は直線で、3次元(空間)内のデータは平面で分離されます。一般的には、超平面が境界となり、以下で表すことができます。

$$ax+by+cz+・・・+d=0$$

x、y、zは空間軸を表し、データが分布する空間の次元の数だけ存在します。a~dは係数です。各データと超平面との距離を計算し、その合計(マージン)が最大となる条件により、係数が求められます

サポートベクトルマシンとは
空間内の点の分類、目的変数、マージン、ラグランジュ未定乗数法、ラグランジュ関数、双対表現、カーネル関数

データクラスタリング

データクラスタリングとは、与えられたデータをいくつかの集団(クラスタ)に分類するための技法です。簡単に言えば、距離が近いデータは同じクラスタに分類され、距離が遠いデータは異なるクラスタに分類されます。

重心法の場合は、クラスタの中心(重心)と各データとの距離の合計が最小になるように、そのクラスタに入るデータを選択します。

データクラスタリングのアルゴリズムには、ウォード法、K平均法などがあります。

ウォード法とは
クラスタ分析の手法の1つ、クラスタ内の平方和を最も小さくする基準でクラスタを形成、クラスタ間の距離

ベイジアンネットワーク

ベイジアンネットワークとは、各事象(確率変数)の因果関係を確率により記述するネットワークモデルで、複雑で不確実な事象の起こる可能性を予測することができます。

例えば、事象 $A,B,C$ の因果関係を、$A\to C$、$B\to C$ とする。事象 $A$ が起きる確率を $P(A)$ 、$A$ が起きて $C$ が起きる確率を $P(C|A)$ とすると、$C$ が起きる確率は以下で表すことができます。

$$P(A,B,C)=P(C|A,B)P(A)P(B)$$

ベイズの定理とは
ある事象の確率 を関連する条件の知識に基づいて求める手法、加法定理と乗法定理、ベイズの定理を導く、ベイズ推定

 

数学
解析学、代数学、幾何学、統計学、論理・基礎論、情報・暗号、機械学習、金融・ゲーム理論、高校数学
散策路TOP
数学、応用数学、古典物理、量子力学、物性論、電子工学、IT、力学、電磁気学、熱・統計力学、連続体力学、解析学、代数学、幾何学、統計学、論理・基礎論、プラズマ物理、量子コンピュータ、情報・暗号、機械学習、金融・ゲーム理論

 

タイトルとURLをコピーしました