生活音を機械学習してみた - Webデータレポート
音声認識というとどうしてもスピーチをテキストにするというソリューションが多いです。しかし用途がユーザーインターフェースに限られる。IOTのシーンではモノとモノが通信し合ってこそ、人間様が楽できるので、生活音を識別することをゴールとしたいと思います。 ▼ 概要 今回は5種類のスズの音のサンプルを使って，2種類ずつどちらのスズか判別を行ってみたいと思います。 ▼ 実装環境 Ubuntu 14.04.1 Python 2.7.6 ▼ 用意するもの Pythonと機械学習ライブラリのscikit-learnを使います。 (参考： http://www.iandprogram.net/entry/2015/09/15/221518 ) UbuntuにPythonをインストール $ sudo apt-get install python2.7 pipをインストール $ sudo apt-get ins
サポートベクターマシン(support vector machine:SVM)の基礎 - HELLO CYBERNETICS
線形識別器の代表格としてサポートベクターマシンを取り上げます。 機械学習で一躍有名となった手法の1つで、ディープラーニングが流行る以前は「え、まだニューラルネットやっているの？時代はサポートベクターマシンでしょ」と言った雰囲気でした。今はなぜか逆転して「まだサポートベクターマシンやってるの？」と言う人が実際にいるのですが（笑）、ディープラーニングの設計・学習の手間などを考えるとサポートベクターマシンはまだまだ捨てたものではありません。転移学習などでも応用が効きますしね。 SVMはマージン最大化という考えで、高い汎化性能を持つことが知られています。今回は、SVMがどのような考えでデータを識別するように学習を行うのかを説明していきたいと思います。今回は線形識別器として取り上げますが、当然基底関数を変える、カーネル法を用いることで非線形への拡張ができますから、その点についても触れていきたいと思い
SVM（多クラス分類） - Qiita
SVMとは Support Vector Machineの略。 学習データを用いて複数のクラスを分類する線を得て(学習モデル作成)、未知のデータ属する分類を推定する方法。 SVMでの分類の概要 元の次元から1つ低い平面を超平面と呼び、最適な超平面(分離面)を探す。 例えば下図だと、黒丸と白丸を分離する線(H1やH2)を引くことを実施する。 (この図は、X1とX2の二次元のデータを表しているが、H1やH2は直線で1次元。 もし三次元のデータがインプットなら、2次元で分類できる平面を探すことになる。) 最適な分離面の探し方は、マージンが最大になる分離面を探索する。 マージンとは、図でいう灰色の線で、各クラスの点から分離面への垂線の距離。 例えば、H1もH2も黒丸と白丸を分類する分離面と言えるが、マージンが大きいH2の方が分類力が高い。（H3は分類すらできてないので全然ダメ。） カーネルトリック
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
処理を実行中です
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
