機械学習の手法【ざっくり解説】
機械学習の種類
機械学習は大きく三つの種類に分けることができ、教師あり学習、教師なし学習、強化学習の3つに分けることができます。
それぞれの手法と特徴
◯教師あり学習
正解データが未知であるサンプルに対してその値を予測するモデルを得る
◯教師なし学習
データに共通する特徴的な行動や法則を見つける
◯強化学習
エージェントが自身の報酬を最大化するような行動指針を獲得する
それぞれ、更に詳しく説明していきます
教師あり学習
教師あり学習は大きく分類問題と回帰問題に分けることができます。
分類問題では、疾患の有無や性別などのカテゴライズ。回帰問題では年収や気温などの連続値を扱うことができます。
教師あり学習では正解データを適切に予測できるように正解データとその他の変数のセットの関数を学習する枠組みです。
この時、正解データは目的変数とその他の変数は説明変数もしくは特徴量と呼ばれます。
教師あり学習のアルゴリズムの例として、ロジスティック回帰、サポートベクターマシン、ランダムフォレストなどが挙げられます。
教師なし学習
教師なし学習は、正解ラベルが無いデータを学習し、データに共通する構造や法則を見つけ出すことを目的としている。その例としては、クラスタリングや次元削減確率変数の密度推定などが挙げられる。
データを複数のグループにまとめるクラスタリングでは、グループ数の決定や観測同士の似ている程度の設計などが問題となる場合があります。
データをより少ない変数で予約しようとする次元削減では、いくつの変数を用いれば十分であるのかより解釈しやすい変数の設計などが問題となる場合があります。
教師なし学習の主なアルゴリズムとしてオートエンコーダー、 K-means 法や主成分分析などが挙げられます。
強化学習
強化学習は一連の行動の結果の報酬を最大化するように学習を行う枠組みです。
強化学習では「状態数 x 行動の種類数」のパターンを考慮しなくてはならないため組み合わせ爆発(※)への対処が課題となります。
つまりどのように上体を低次元で表現するかが課題となります。
近年では、深層学習における隠れ層の出力を縮約表現とみなす、深層強化学習が注目されボードゲームの AI や自動運転に応用されています 。
この記事が気に入ったらサポートをしてみませんか?