前回は、最も直感的にわかりやすい決定木手法を用いて、教師あり学習の分類を取り扱いました。教師あり学習のモデル作成や、過学習などに触れ、教師あり学習における作業プロセスをイメージすることができたと思います。 今回は、さらに一歩踏み込んで、手法の違いを直感的に理解してみましょう。これまでは、教師なし学習「K-Means」、教師あり学習/回帰「線形回帰」、教師あり学習/分類「決定木」を取り扱ってきましたが、実際には、それぞれの学習に対して、多くの機械学習手法が存在します。実際に、同じ教師あり学習/分類を扱う際であっても、いくつかの手法を同時に試し、適切な手法を選択します。 そこで今回は、前回と同じく教師あり学習/分類に関して、「決定木」以外の手法として「ロジスティック回帰」を取り扱い、手法の違いに触れていこうと思います。 データの準備 今回のデータは前回と同じく「consumerPrices_t
![Pythonで学ぶ 基礎からの機械学習入門(6) 機械学習手法による違いを直感的に理解しよう - 決定木とロジスティック回帰](https://cdn-ak-scissors.b.st-hatena.com/image/square/42a43682b07c8fa4d470a90f40f2e202008aed33/height=288;version=1;width=512/https%3A%2F%2Fnews.mynavi.jp%2Ftechplus%2Farticle%2FPython_ML-6%2Findex_images%2Findex.jpg)