読者です 読者をやめる 読者になる 読者になる

ほんとのこと知りたいだけなのに。

夏休みはもうおわり。

機械学習アルゴリズム

機械学習の全体像を整理してみる。

機械学習アルゴリズムへの招待 を元ネタに。

アルゴリズム

一覧にしてみたけど、さっぱり。

まぁそのうちわかるようになるじゃろう。

Wikipedia でページを見つけたものはリンクにしています。

類似性 アルゴリズム
回帰法 最小二乗法(OLS)
ロジスティック回帰
ステップワイズ回帰
多変量適応回帰スプライン(MARS)
LOESS
インスタンスベースの方法 K近傍法(k-NN)
学習ベクトル量子化(LVQ)
自己組織化マップ(SOM)
正則化法 リッジ回帰
LASSO
エラスティックネット
決定木学習 分類木と回帰木(CART)
ID3
C4.5
CHAID
決定株
ランダムフォレスト
多変量適応回帰スプライン(MARS)
勾配ブースティングマシン(GBM)
ベイズ法 ナイーブベイズ
AODE
ベイジアン信念ネットワーク(BBN)
カーネル法 サポートベクターマシン(SVM)
放射基底関数(RBF)
線形判別分析(LDA)
クラスタリング手法 K-平均法
期待値最大化(EM)
相関ルール学習 アプリオリアルゴリズム
eclatアルゴリズム
人工ニューラルネットワーク パーセプトロン
バックプロパゲーション
ホップフィールド・ネットワーク
自己組織化マップ(SOM)
学習ベクトル量子化(LVQ)
深層学習 制限付きボルツマンマシン(RBM)
ディープビリーフネット(DBN)
畳み込みネットワーク
Stackedオートエンコーダ
次元削減 主成分分析(PCA)
部分最小二乗回帰(PLS)
サモンマッピング
多次元尺度法(MDS)
射影追跡(PPR)
アンサンブル法 ブースティング
バギング
エイダブースト
Stacked Generalization(blending)
勾配ブースティングマシン(GBM)
ランダムフォレスト

アルゴリズムの類似性能

表にしてみたが、わかったようなわからんような。

理解できない言葉が多々あるので、まぁわかっとらんですね。

類似性 Description
回帰法 2つの変数間の関係をモデル化し、誤差の測度を用いて繰り返し精度を上げていく手法。
インスタンスベースの方法 重要または必要とみなされる訓練データのインスタンスや例を用いた決定問題で。
正則化法 他の方法(主に回帰法)を拡張した手法です。
複雑なモデルに罰金項を課し、シンプルで一般化しやすいモデルを支持します。
決定木学習 データ属性の実価に基づいた決定モデルを構築します。
決定木は、分類と回帰のデータを対象とします。
ベイズ法 分類や回帰問題などのためにベイズの定理を適用している手法。
カーネル法 カーネル法では分類問題や回帰問題がよりモデル化しやすいよう、データを高次元のベクトル空間上へ写像します。
クラスタリング手法 データの内在構造を用い、類似度ごとのグループにデータを分類します。
相関ルール学習 あるデータの変数の関係性に最もあてはまるルールを抽出する方法です。
人工ニューラルネットワーク 人工ニューラルネットワークは生物の神経回路の構造や機能に触発されたモデルです。
深層学習 人工ニューラルネットワークに更新を加えて、潤沢で低価格なコンピュータによる計算を活用しているのが深層学習です。
次元削減 クラスタリング手法と同じようにデータの内在構造を探して活用します。
アンサンブル法 独立して訓練されている複数の弱い学習モデルを組み合わせて、個々の予測を統合して全体予測とする手法です。

学習スタイル

ちからつきた。。

  • 教師あり学習法
  • 教師なし学習法
  • 半教師あり学習
  • 強化学習