【このページは現在作成中です】
第7回：教師なし学習・次元削減，機械学習の実践的アプローチ†
7.1 教師なし学習・次元削減【中村】†
次元削減 (Dimensionality Reduction) とは†
- データの変数（列）間の関係を学習し，次元数を減らすこと
- より少ない特徴量でデータを説明する
- なるべく情報量を落とさないように，複数の特徴量をまとめた新しい特徴量を作る
図1：教師あり学習と教師なし学習のイメージ（再掲）
なぜ次元を削減するのか？†
- データの理解・可視化
- 次元を削減することで，データの理解・可視化がやりやすくなる
- 人間が理解できる表現方法はせいぜい3次元まで
- 1次元：サンプル同士を直接値で比較できる
- 2次元：サンプルを2軸で説明できる
- 3次元：サンプルを空間上で可視化できる
- 4次元以上： 1つの図では可視化不可能
- データの圧縮
- 高次元のデータを低次元に圧縮することで，計算処理を効率化できる
- 次元の呪いへの対処
- 次元が増えるほど訓練に十分なデータが指数的に増える （少ないままだと過学習が起こる）ので，減らしたい
次元削減の手法の例†
- 主成分分析 (Principal Component Analysis, PCA)
- 非負値行列因子分解（Non-negative Matric Factorization, NMF）
- t-SNE （ t-distributed Stochastic Neighbor Embedding）
- データポイントの距離を可能な限り維持する2次元表現を見つけようとする
PCA†
次元削減によるデータの説明†
次元削減によるデータの圧縮†
次元削減による特徴量抽出†
7.2 特徴量エンジニアリング【中村】†
7.3 モデルのチューニング【伊藤】†
関数化†
検証用データ†
- これまでは，元データを，訓練，テストの2つに分けていた
- チューニングしていくにあたり，テストデータに合わせたチューニングになってしまうのが問題
- なので，元データを，訓練，検証，テストの3つにわけるべし
クロスバリデーション†
グリッドサーチ†
最適化†
7.4 アプリケーション【陳】†
作成したモデルをAPI化する†
訓練済みモデルの利用†
![[PukiWiki]](image/dx_expert_logo.png "[PukiWiki]"){kind=logo}
