この記事は Google Cloud Translation APIを使用した自動翻訳です。
いくつかの文書は原文を読むのに良いかもしれません。
#機械学習のための高度なアルゴリズムの実装
機械学習は、データで学習および予測できるアルゴリズムの設計と開発をカバーする人工知能の分野です。
機械学習アルゴリズムにはさまざまな種類がありますが、主に3つの主要な種類に分類できます。
監督学習:このアルゴリズムは、トレーニングデータに各入力の正しい出力を示すラベルが含まれているときに使用されます。アルゴリズムは、入力データを正しい出力ラベルにマッピングする方法を学びます。
非マップ学習:このアルゴリズムは、学習データにラベルが含まれていない場合に使用されます。アルゴリズムはデータからパターンを探し、データポイントをグループにまとめます。
強化学習:このアルゴリズムは、エージェントが環境と対話し、報酬を最大化する方法を学ぶために使用されます。
この記事では、監督学習アルゴリズムに焦点を当てます。最も人気のある監督学習アルゴリズムとそれをPythonで実装する方法について説明します。
線形回帰は、実際の値の出力を予測するために使用される地図学習アルゴリズムです。出力は、入力関数の線形関数を使用して予測されます。
線形回帰はパラメトリックモデルで、出力がパラメータセットの関数であることを意味します。パラメータは最小二乗法を使用してトレーニングデータで学習されます。
線形回帰は、回帰操作と分類操作の両方に使用できます。回帰に使用される場合、出力は実際の値です。分類に使用される場合、出力はクラスラベルです。
線形回帰は比較的単純なアルゴリズムであり、scikit-learnライブラリを使用して実装できます。
##ロジスティック回帰
ロジスティック回帰は、バイナリ出力を予測するために使用されるマップ学習アルゴリズムです。入力特性のロジスティック関数を使用して出力を予測します。
ロジスティック回帰はパラメトリックモデルで、出力がパラメータセットの関数であることを意味します。パラメータは、最大尤度法を使用して学習データで学習されます。
ロジスティック回帰は分類アルゴリズムであり、分類操作にのみ使用できます。出力は、0 または 1 のいずれかのクラス ラベルです。
ロジスティック回帰は比較的単純なアルゴリズムであり、scikit-learnライブラリを使用して実装できます。
##サポートベクトルマシン
サポートベクトルマシン(SVM)は、バイナリ出力を予測するために使用される監視学習アルゴリズムの一種です。出力は、入力関数の線形関数を使用して予測されます。
SVMは非線形モデルです。つまり、出力はパラメータセットの関数ではありません。パラメータは、最大マージン分類器を使用して学習データで学習されます。
SVM は分類アルゴリズムであり、分類操作にのみ使用できます。出力は、0 または 1 のいずれかのクラス ラベルです。
SVMはロジスティック回帰よりも複雑なアルゴリズムであり、実装するのが難しい場合があります。 scikit-learn ライブラリには SVM 実装が含まれています。
##意思決定ツリー
決定ツリーは、カテゴリ出力を予測するために使用されるマップ学習アルゴリズムの一種です。出力はツリー型モデルを使用して予測されます。
意思決定ツリーは非線形モデルです。つまり、出力はパラメータセットの関数ではありません。再帰分割方法を使用して、学習データからパラメータを学習します。
決定ツリーは分類アルゴリズムであり、分類操作にのみ使用できます。出力はクラスラベルです。
決定ツリーは、他のアルゴリズムよりも実装するのが難しい場合があります。 scikit-learn ライブラリには、決定ツリーの実装が含まれています。
##ニューラルネットワーク
ニューラルネットワークは、実際の値の出力を予測するために使用されるマップ学習アルゴリズムの一種です。出力は、入力関数の非線形関数を使用して予測されます。
ニューラルネットワークは非線形モデルです。つまり、出力はパラメータセットの関数ではありません。パラメータは、逆伝播アルゴリズムを使用して学習データで学習されます。
ニューラルネットワークは回帰アルゴリズムであり、回帰操作にのみ使用できます。出力は実際の値です。
ニューラルネットワークは他のアルゴリズムよりも複雑なアルゴリズムであり、実装するのが難しい場合があります。 scikit-learn ライブラリにはニューラルネットワークの実装が含まれています。
##結論
この記事では、最も人気のある地図学習アルゴリズムについて説明しました。また、Pythonでこれらのアルゴリズムを実装する方法についても議論しました。