機械学習

2023/11/9

損失関数とは機械学習のモデルで算出した予測値と実際の値との誤差を表す式です。記事の前半では『損失関数とは何なのか』を解説しつつ、記事の後半では『損失関数の計算・最適化方法』を分かりやすくお伝えします。

2023/11/1

交差エントロピーとは機械学習の分類モデルの誤差を計算する損失関数です。本記事では交差エントロピーの概要から計算方法、Pythonでの実装まで解説していきます。

2023/10/29

グリッドサーチは、モデルの学習の時にハイパーパラメータを最適なものにするための手法です。本記事では、グリッドサーチのやり方やPythonでの実装、交差検証との関係性について解説していきます。

2023/10/29

DBSCANはデータの密度で判断してクラスタリングを行う手法です。本記事では、DBSCANのアルゴリズムやメリット、Pythonでの実装について解説していきます。

2023/10/29

標準化は、データの分布を正規分布に近い形にすることで異なる特徴量（変数）同士を比較できるようにするデータの前処理の手法の1つです。本記事では、標準化について、概要から正規化との違い、Pythonでのやり方まで解説していきます。

2023/10/29

正規化は異なる尺度を持つ特徴量を比較可能にするためのデータの前処理の手法です。本記事では、データの前処理の手法である正規化について、標準化との違いやPythonでのやり方まで解説していきます。

2023/10/29

ホールドアウト法とはデータを訓練データとテストデータに分割する手法です。本記事では、モデルの評価を行うためのデータ分割手法である『交差検証法』について、メリット・デメリットやPythonでの実装を解説していきます。

2023/10/29

k-means法はデータをグループに分けるクラスタリングの手法です。本記事ではk-means法が使える場面やアルゴリズム、欠点、そしてPythonでの実装について解説していきます。

2023/10/29

バイアスとバリアンスはモデルの予測性能に大きく関わる重要な概念です。本記事では、バイアスとバリアンスのそれぞれの概要やトレードオフの関係、バイアス・バリアンス分解について解説していきます。

2023/10/29

アンサンブル学習とは複数のモデルを組み合わせることで予測精度を上げる手法です。今回の記事ではアンサンブル学習の3つの種類からバイアスとバリアンス、注意点について解説していきます。