より多くのデータ,より多くの質問,より良い回答

機械学習アルゴリズムは,データの中に自然なパターンを見つけてそこから洞察を生み出し,より良い意思決定と予測を行う手助けをします。これらは,医療診断,株取引,エネルギー負荷予測などの重要な決定を行うために毎日使用されます。たとえば,メディアポータルは機械学習を利用して何百万もの選択肢からあなたにおすすめの歌や映画を提供しています。小売業者は,顧客の購買行動から洞察を得るために機械学習を使用しています。

機械学習をいつ使うべきか

所定の数式や方程式が存在せず,大量のデータセットと多数の変数が含まれている複雑なタスクや課題がある場合は機械学習の使用を検討しましょう。仮に次のような状況に対処する必要がある場合は,機械学習が適しています。

教師あり学習

教師あり機械学習は,不確実さがあっても証拠に基づいて予測を行うモデルを構築します。教師あり学習のアルゴリズムは,すでにある一連の入力データとそれに対する応答(出力)を用いてモデルを訓練し,新たなデータへの応答を合理的に予測できるようにするものです。予測しようとする事象について,既存の応答(出力)データがある場合は,教師あり学習を使用します。

教師あり学習では,分類や回帰の手法を用いて予測モデルを作成します。

分類手法では,離散的な応答を予測します。例えば,電子メールが本物のメールかスパムメールか,腫瘍が癌の疑いがあるかどうか,といった場合です。分類モデルは,データをカテゴリーに分類するための学習を行います。用途としては,医療画像診断,音声認識,信用評価などが挙げられます。

データをタグ付け,カテゴリー化,または特定のグループやクラスに区分されている場合は分類手法を使用しましょう。たとえば,手書き文字認識のアプリケーションでは,文字と数字を認識するために分類が使用されます。画像処理およびコンピュータービジョンでは,パターン認識,とくに教師なしのパターン認識技術がオブジェクト検出および画像セグメンテーションに使用されます。

分類を実行するための一般的なアルゴリズムには,サポートベクターマシン(支持向量机),ブースティングおよびバギングされた決定木,k最近傍法,単純ベイズ,判別分析,ロジスティック回帰,およびニューラルネットワークが含まれます。

回帰手法では,温度の変化や電力需要の変動など連続的な応答を予測します。一般的な用途としては,電気負荷予測とアルゴリズム取引が含まれます。

一定のレンジを持つデータを扱っている場合,または応答の性質が温度や機器の故障までの時間といった実数である場合は,回帰手法を使用します。

一般的な回帰アルゴリズムには,線形回帰,非線形回帰,正則化,ステップワイズ回帰,ブースティングされた決定木とバギングされた決定木,ニューラルネットワーク,適応ニューロファジー学習などが含まれます。

使用するアルゴリズムをどのようにして決めるか

適切なアルゴリズムを選択するのは,手に負えない難題に思えることもあります。教師あり,教師なしの機械学習アルゴリズムは何十種類もあり,学習方法もそれぞれ異なるからです. .

最も優れた手法や,何にでも使える手法というものはありません。適切なアルゴリズムを探すには,試行錯誤に頼らざるを得ない部分があります。極めて経験豊富なデータサイエンティストでも,あるアルゴリズムがうまく機能するかどうかは,結局のところ試してみないと分からないのです。ただしアルゴリズムの選択は,扱うデータのサイズや種類,データから導き出したい見解,その見解の活用方法によって決まってくる部分もあります。

教師あり学習と教師なし機械学習の選択に関するガイドラインは次のとおりです。

• 予測(例えば,温度や株価などの連続型変数の将来値の推定)や分類(例えば,ウェブ動画に映っている自動車の型式の特定)を行うモデルの学習が必要な場合は,教師あり学習を選択します。
• 入力データを詳しく調べる必要がある場合や,データをクラスターに分けるなど,データの適切な内部表現を見出すモデルの学習が必要な場合は,教師なし学習を選択します。