教師あり学習とは?具体例を挙げてわかりやすく解説! | じゃぱざむ
機械学習ではデータを元に様々な分析や予測を行います。このときの学習方法は一般的に3種類です。 教師あり学習 教師なし学習 強化学習 学習方法はどれが優れているというものではなく、人工知能に解決させたい課題に応じて使い分けて行うものです。今日はその中でも 教師あり学習と教師なし学習をピックアップ して、具体的にどういったシーンで使うものなのかを紹介していきます。 教師あり学習とは? 教師あり学習では、予測したい結果である 正解データを用意 して学習を行います。未知のデータから正解データとなるものを予測するのが教師あり学習です。その名の通り、「教師データがある」学習方法であるため、教師データがない場合には使うことができません。 教師あり学習で予測できるものは2種類あり、それが「回帰」と「分類」です。 回帰 ある連続した数値から未来を予測する際に使用します。 たとえば企業の売上予測、倉庫の在庫量の変化、店舗への来店者数の予測などです。 時系列で変化するデータを用いて予測を行う際には回帰を用います。 識別 文字通り、データを識別したいときに使用します。 画像認識系の予測は識別に当たります。 レントゲン写真から症例を判断するときや、車の自動運転で人とモノを識別する際などに用いるのが識別です。 画像認識に限らず、文字や動画をデータにした分析でも使用します。AとBにわけて判定したいときに用いるものが識別です。 教師なし学習とは?
教師あり学習 教師なし学習 強化学習
3, random_state = 1) model = LinearRegression () # 線形回帰モデル y_predicted = model. predict ( X_test) # テストデータで予測 mean_squared_error ( y_test, y_predicted) # 予測精度(平均二乗誤差)の評価 以下では、線形回帰モデルにより学習された petal_length と petal_width の関係を表す回帰式を可視化しています。学習された回帰式が実際のデータに適合していることがわかります。 x_plot = np. linspace ( 1, 7) X_plot = x_plot [:, np. newaxis] y_plot = model. predict ( X_plot) plt. 教師あり学習 教師なし学習 手法. scatter ( X, y) plt. plot ( x_plot, y_plot); 教師なし学習・クラスタリングの例 ¶ 以下では、アイリスデータセットを用いて花の2つの特徴量、 petal_lenghとpetal_width 、を元に花のデータをクラスタリングする手続きを示しています。ここでは クラスタリング を行うモデルの1つである KMeans クラスをインポートしています。 KMeansクラス 特徴量データ ( X_irist) を用意し、引数 n_clusters にハイパーパラメータとしてクラスタ数、ここでは 3 、を指定して KMeans クラスのインスタンスを作成しています。そして、 fit() メソッドによりモデルをデータに適合させ、 predict() メソッドを用いて各データが所属するクラスタの情報 ( y_km) を取得しています。 学習された各花データのクラスタ情報を元のデータセットのデータフレームに列として追加し、クラスタごとに異なる色でデータセットを可視化しています。2つの特徴量、 petal_lengh と petal_width 、に基づき、3つのクラスタが得られていることがわかります。 from uster import KMeans X_iris = iris [[ 'petal_length', 'petal_width']]. values model = KMeans ( n_clusters = 3) # k-meansモデル model.
13)のものが 半教師ありSVM(Support vector machine) となります。 (1)自己訓練(Self Training) 半教師ありSVMを使って、Self Trainingの仕組みを説明します。題材はVol.