CHAPTER
05
教師あり学習
SUPERVISED LEARNING正解が分かっているデータから規則やパターンを学び、新しいデータの分類や数値の予測につなげる機械学習の代表的なアプローチです。
METHODS IN THIS CHAPTER
METHOD 21
決定木
DECISION TREE
PURPOSE
条件から結果を分類・予測したい
CATEGORY 05
教師あり学習
「年齢が30歳以上か」「購入金額が1万円以上か」といった条件の分岐を繰り返しながら、結果を予測・分類していく手法。判断の流れが樹木の枝分かれのような図で表せる。
VISUAL
顧客が商品を購入するかを分類する例
YES
NO
YES
NO
YES
NO
ROOT
年齢が30歳以上？
BRANCH
購入金額が1万円以上？
BRANCH
来店回数が3回以上？
購入する
購入しない
購入する
購入しない
この手法でわかること・できること
- 条件の組み合わせから結果を分類・予測できる
- どの条件が判断に使われたかを確認できる
- 判断ルールを樹形図として視覚的に説明できる
METHOD 22
ランダムフォレスト
RANDOM FOREST
PURPOSE
複数の判断を組み合わせて予測したい
CATEGORY 05
教師あり学習
複数の決定木を作り、それぞれの予測結果を多数決や平均でまとめて最終的な予測を出す手法。1本の決定木よりも安定した予測を目指せる。
VISUAL
複数の決定木から最終予測を決めるイメージ
TREE 01
購入する
TREE 02
購入しない
TREE 03
購入する
YES
＋
NO
＋
YES
→
購入する
この手法でわかること・できること
- 複数の決定木を組み合わせて分類・予測できる
- 1本の木より安定した予測を得やすい
- どの変数が予測に重要だったかを確認できる
METHOD 23
SVM
SUPPORT VECTOR MACHINE
PURPOSE
データを境界で分類したい
CATEGORY 05
教師あり学習
異なるグループのデータをできるだけ明確に分ける境界線を見つけて分類する手法。境界に最も近いデータとの距離を広く取るように線を決める。
VISUAL
2つのグループを境界線で分類するイメージ
この手法でわかること・できること
- 複数のグループを境界線で分類できる
- 境界に近い重要なデータを基準に判断できる
- 変数が多いデータにも対応しやすい
METHOD 24
ニューラルネットワーク
NEURAL NETWORK
PURPOSE
複雑なパターンを学習して予測したい
CATEGORY 05
教師あり学習
多数の小さな計算単位を層状につなぎ、入力データから複雑な特徴やパターンを学習して分類・予測する手法。画像認識や音声認識などにも使われる。
VISUAL
入力 → 中間層 → 出力へ情報が伝わるイメージ
INPUT
HIDDEN LAYER
OUTPUT
この手法でわかること・できること
- 複雑な関係や非線形なパターンを学習できる
- 画像・音声・文章など多様なデータに応用できる
- 大量のデータから特徴を自動的に学習できる