機械学習における問題設定の重要性 - Qiita
ビジネスの現場で機械学習を使う場合、問題設定は非常に大事です。 アルゴリズムの取捨選択も大事ですが、問題設定も同等、もしくはそれ以上に重要だと思います。 理由は、問題設定は基本的に人間にしかできないタスクであり、人間でもできる人が限られるからです。 Kaggleの影響もあり、アルゴリズムに詳しい、また、データクレンジングに慣れている人は最近かなり増えてきたように見えます。 一方、Kaggleで出題されるものは問題設定が既に済んでいるものが多く1、どれだけKaggleに取り組んでも問題設定能力を身に付けることは難しいと思います。 例えば、 金融機関の融資審査 その人にお金を貸してよいか？貸さないほうがよいか？を審査する テキスト（例：ツイート、投稿）のポジネガ判定 テキストがポジティブな内容か？ネガティブな内容か？を判定する など解くべき問題が既に明確な場合は必要ありませんが、 ECサイトの
【Python】K-meansによるクラスタリング結果をPCAで次元削減して散布図にプロットする - Qiita
これをK-meansによりクラスタリングした上で、PCAで次元削減して散布図にプロットする。 K-meansのドキュメントはここ、PCAのドキュメントはここ、pyplotのドキュメントはここ。 # -*- coding: UTF-8 -*- import numpy as np from sklearn.cluster import KMeans from sklearn.decomposition import PCA import matplotlib.pyplot as plt # sample.csvを読み込む users = np.loadtxt('./sample.csv', delimiter=",") # K-meansによるクラスタリング model = KMeans(n_clusters=2).fit(users) # PCAで次元削減 pca = PCA(n_comp
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
