第6章教師あり学習 (Supervised Learning)

教師あり学習 - Simple yet best

教師あり学習は、ラベル付きの学習データから関数を推論するための機械学習アルゴリズムです。学習データは実データセットから構成されます。例: 身長と体重を知って、その人の性別を識別することです。以下は人気のある教師あり学習アルゴリズムです。

アルゴリズム	使用例	選択基準
線形回帰	特徴量と目的変数の線形関係をモデル化する場合例: 家の価格予測	データが線形関係を持ち、単純なモデルで問題を解決できる場合
ロジスティック回帰	2つのクラスを分類する問題例: スパムメール分類	データが2つのクラスに分類され、線形の決定境界で分離できる場合
サポートベクトルマシン	2つ以上のクラスを分類する問題例: 手書き数字の分類	データが非線形であり、高い分類性能が求められる場合
ナイーブベイズ	特徴量が独立していると仮定できる問題例: テキスト分類、スパムメール分類	特徴量が独立しており(仮定)、単純なモデルで問題を解決できる場合
K最近傍法	2つ以上のクラスを分類する問題、小規模から中規模のノイズのないデータセット例: 手書き文字検出、画像認識、および動画認識	データが高次元でなく、ノイズが少ない場合
決定木	複雑なデータの分類や回帰問題例: 顧客セグメンテーション	データが非線形であり、解釈が容易である場合
ランダムフォレスト	決定木の弱点を補う場合例: 顧客セグメンテーション	データが複雑であり、決定木による過学習のリスクがある場合（最近、Boosting TreesのXGBoostやLightGBMがよく用いられます）

⚙️ モデルの種類: 回帰 (Regression)

線形回帰の式は、従属変数と1つまたは複数の独立変数の関係をモデル化するために使用されます。最も単純な形式である単純線形回帰は、以下のように表されます。