StatsLearning Chapter 4：学習メモ
サイズ：     
  USER
  サンプルユーザ
サンプル用のユーザです。
 WEB
    学習ノート
機械学習関連の学習に使えそうな本や動画を調べ、整理してみました。（なるべくFREEのものを優先しました）

* 尚、ノートの文章は一部を除きAIに書いてもらったもので、正確性はありません。
* ノートにchatGPT等AIに作ってもらった表を貼るには、「マークダウンのコードに変換して」と頼めば書き出してくれるので、ノートを「markdown」編集モードにして、コピペすれば簡単です。
sub  

Loading ...

    ノート表示（LV2）
StatsLearning Chapter 4：学習メモ   LV2     Link：no title   2024/2/9
”
”
  引用元：
  引用元：
#### StatsLearning Chapter 4

この章では、分類問題とその主要な手法について紹介されています。

------

1. 分類 (Classification): 連続値ではなくカテゴリ値を予測するタスク。線形回帰とは異なり、分類問題では目的変数が離散的である。

2. ロジスティック回帰: カテゴリ値を予測するために使用される回帰手法。シグモイド関数を用いて、予測値を確率に変換する。

3. 線形判別分析 (LDA): クラス間の分散を最大化し、クラス内の分散を最小化するように特徴空間を変換する分類手法。クラスの平均と共分散を使用して、クラスの確率をモデル化する。

4. 二次判別分析 (QDA): LDAと同様にクラスの平均を使用するが、各クラスに独自の共分散行列を持たせる。この結果、クラスの境界が非線形になる。

5. K最近傍法 (KNN): 予測したいデータポイントに最も近いK個のトレーニングデータポイントを見つけ、それらの最も一般的なクラスを予測値として使用する分類手法。

6. クラスタリング: 教師なし学習タスクであり、データセット内の類似性に基づいてデータポイントをグループ化する。

7. 混同行列 (Confusion Matrix): 分類モデルの性能を評価するために使用される表。真陽性、真陰性、偽陽性、偽陰性の4つの要素で構成される。

8. 分類性能評価指標: 分類性能を評価するために使用される指標には、正確度 (accuracy)、適合率 (precision)、再現率 (recall)、F1スコアなどがある。
clip （公開時は表示されません）
  sub_notes （LV3）   全て開く   全て閉じる
none   LV3 4月17日  
0
”
”
  引用元：
  引用元：
none
 sub

  コメント

  コメントを書く
ads
ads