はてなブックマーク

機械学習、ディープラーニングではモデルの精度を高めることが非常に大切です。 モデルの精度を高めるためには手持ちのデータを用いて学習していきますが、その際に学習用データとテストデータで分ける必要があります。 もし、手持ちのデータを全て学習用データとして使用した場合、過度に適合したモデルが出来上がってしまい、逆に精度が低くなってしまうからです。これは過学習と呼ばれています。 過学習を防止するため、手持ちのデータを全て学習用のデータとして使用するのではなく、学習用データとテストデータに分割し検証していくことが大切です。 学習用データとテストデータの分割の方法にはいくつかの手法があるので、代表的な手法について解説します。 Hold-out(ホールドアウト法) データ全体を学習用データとテストデータに分割し、モデルの精度を確かめる手法です。例えばデータ全体が100個ある場合、6対4の割合で分割し、学

この記事ではニューラルネットワークに必要な要素の一つ、活性化関数について説明します。ただ、その前に簡単にニューラルネットワークについておさらいをしたいと思います。 ニューラルネットワークは人間の脳をモデル化したもので、一つ一つがニューロンと呼ばれる神経細胞を模したモデルの集まりから成り立っています。 ニューロンは入力層、中間層、出力層のそれぞれが存在します。 入力層のニューロンから出力された情報は中間層のニューロンへの入力となり、中間層のニューロンから出力された情報は出力層のニューロンへの入力となるように、複雑に連携しています。 こられのニューロンの数が多くなれば多くなるほど複雑な処理に対応できやすくなります。 このように複雑に連携しているニューロンですが、1つのニューロンに着目した場合は動作が非常にシンプルとなっています。 次の図は3つの入力（X1、X2、X3）から入力を受信したニューロ