Classias - 使い方 -
Windows環境の場合は，配布されている実行ファイルを利用するのが最も簡単です．ただし，配布されている実行ファイルを利用するには，システムにVisual C++ 2008 SP1 再頒布可能パッケージ (x86)がインストールされている必要があります． Linux環境の場合は，ソースコードからビルドしてください． ビルド方法は，こちらを参照してください． Classiasは二値分類（binary classification），多クラス分類（multi-class classification），候補選択（candidate classification）の３つのタスクをサポートします． 二値分類は，与えられた事例の素性（属性）に基づいて，事例を正例（+1）もしくは負例（-1）に分類するタスクです． 事例のラベルには，"+1", "1", もしくは"-1"を用いることができ，ラベルにコロ
機械学習とは何か？ - 自分なりに説明+具体例：サポートベクターマシン- - Data Science by R and Python
機械学習とは？ 今日は、機械学習をテーマにしてブログを書いてみます。「機械学習」と言えば、Googleなわけですけど、最近Googleがワールドカップの勝敗予想を機械学習で行って「すげー！」っておそらく一部界隈では盛り上がりました。最近では一般にも「機械学習」という言葉は少しづつ普及しつつあるようです。Google Trendで見ても、右肩上がりです。 ただ、機械学習という言葉（Machine Learning）という言葉は情報分野で比較的昔からあるようです。アメリカの科学者はトム・M・ミッチェルはこんな定義を与えています。 コンピュータプログラムがある種のタスクTと評価尺度Pにおいて経験Eから学習するとは、タスクTにおけるその性能をPによって評価した際に、経験Eによってそれが改善されている場合である 簡単にいえば、あるタスクをこなして、それを「評価尺度P」で測ったときに、経験「E」（：デ
SVMを使うとなにが嬉しいの？
SVM を使うと，なにが嬉しいの？ 戻る さて，SVM(Support Vector Machine)と言われるものが最近，巷（って言っても，主にパターン認識の分野だけどね）をにぎわしているんだけれど，いったいなにがすごいのだろう？ SVMは，パターン識別手法の一つなんだけれども，これまでもパターン識別手法というのはいくつも提唱されている． ニューラルネットワークを使ったパターン識別手法として最も親しみ深いのは，多層パーセプトロンをバックプロパゲーションで学習させる方法だけれど，SVMはバックプロパゲーション学習と比べてどんな「嬉しい」ことがあるんだろうか． ぶっちゃけた話，SVMの最大の特徴は「マージン最大化」にある．じゃあこの「マージン最大化」とは，なんだろう． ここで，「識別線の引き方」というものを考えてみたい． まず，2次元の特徴空間に次のような2つのクラスAと
線形SVM 〜 詳細説明 〜
線形SVM 〜 数式の説明 〜 戻る 前ページで線形SVMのコーディングに必要な式を紹介したけれど，それだけでは納得できん，中身までちゃんと教えてくれ，という向きには，このページでちゃんと説明する． 前ページの再掲になるけれど，線形識別関数を次のように定義する． ただし． (1.1) は入力ベクトル，ベクトルおよびスカラーは識別関数を決定するパラメータ． 学習データは個与えられているとし，と表す．これらのデータを2つのクラスおよびに分離することを考える．この学習データ集合に対して，が次の条件を満たすようにパラメータを調節することを考える． (1.2) （OpenOfficeの数式ツールで左括弧ってどうやって出すの？） ところで，点から分離境界との距離はとなる（どうしてそうなるかって？それは自分で考えてみてね）． ということは，(1.2)式を満たす識別関数において，学
Sakusaku svm
4. Postする前に ウケルかどうか 判定してみたよ あんちべのすべらない話 ～俺のツイートがこんなにウケないはずがない～ http://www.slideshare.net/AntiBayesian/ss-8487534 4 5. 分析の流れ 1.学習データ（正例、負例）を用意する 2.学習データから予測モデルを立てる ➢ 正例・負例の特徴を抽出し、どのような要素を持てば正 負のどちらかに判別出来るかを学習する 3.対象のtweetを予測モデルに放り込んで判定 ➢ 正例の特徴を強く持つtweetは正例のクラスへ、負例の 特徴を強く持つtweetは負例のクラスへ、分類器で自動 分類 5 6. 正例、負例の例 ● スパムアカウントかどうか見分けたい ➢ 正例：スパムアカウント、負例：非スパムアカウント ● デマ情報かどうか判別したい ➢ 正例：デマtweet、負例：正しいtweet ● 正
SVMはパラメータ最適化と同時にモデル選択もしてくれる - 憂鬱な情報系学生
パターン認識の課題でよく使うのがSVM。 パッケージはSVM-lightを愛用。 入力次元が多いときには「とりあえずSVMでしょ」的な安易な使い方も 良くするのですが、理由はやっぱり”次元の呪い”に強いってとこですね。 （次元の呪い「Curse of dimension」って文学的響きが、カッコイイ） 一般的に、得られるデータに比べて 機械学習器の複雑さ(complexity)が大きすぎると 過学習（Overfitting）に陥りやすい。 階層ニューラルネットワークなどの機械学習器は 入力次元増えるとそれだけ最適化パラメータが増えちゃうので、 過学習しやすくなってしまう訳ですね。 最適化パラメータの数の増加は、学習器の複雑さの増加ですから。 だから、データ数が少ないのに、入力次元がでっかいと 過学習に陥ってしまう。 これが”次元の呪い” 直感的には「1つのデータについてたくさんの情報があれ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
