SVMを使いこなす！チェックポイント8つ - Qiita
僕はSVMが大好きです．シュパッてきれいに分類できている姿を見ると，かっこよくてドキドキします． 今回は，SVMの性能を最大限に引き出すために知っておくと役立つことを書いていこうと思います．ちょっとチューニングを行うだけで，10%〜20%精度が向上するなんてことはよくあります． なお，本記事は使いこなし方にフォーカスしているので，理論的なことを知りたい方は別途確認して下さい． 特徴量の作成 まずは，適切な特徴量を作成するにあたって注意すべきことを2つ紹介します． 1. スケーリング スケーリングとは，特徴量のとりうる値の範囲をあらかじめ調整してあげることです． なぜスケーリングするの？ 理由は2つあります． 大きい値の範囲をとる特徴量に引きずられないようにします．[0,10]での1と2の違いは1だけですが，[0,10000]での1の100の違いよりもずっと重要です．すなわち，これらを対等に
scikit-learnで機械学習を試す SVM - Qiita
こんにちは。初心者です。 あるサービス（念写できる人と何か念写してほしい人のマッチングサービスです）で機械学習ためそうと思っていて、調べている最中です。 問題 試しに、これの1問目を解くよー。 教師あり学習の問題です。上記ページの回答例のように、SVMを使ってみます。 ライブラリは、scikit-learnを使ってみた。 SVM使いたいだけならほかにもライブラリあるみたいだけど、scikit-learnいいよ~的なことを言う人が多いので使ってみました。 とりあえずやってみる # -*- coding: utf-8 -*- from sklearn.svm import LinearSVC import numpy as np # 学習データ data_training_tmp = np.loadtxt('CodeIQ_auth.txt', delimiter=' ') data_train
【特別連載】 さぁ、自然言語処理を始めよう！（最終回： 機械学習によるテキストマイニング）
みなさまこんにちは。 前回の連載 【特別連載】 さぁ、自然言語処理を始めよう！（第2回： 単純集計によるテキストマイニング） では TF-IDF を用いて Twitter Streaming API 経由で取得した日本語 Tweet データから、ある日の特徴語を抽出する方法を紹介しました。 今回は機械学習を用いたテキストマイニングを行いたいと思います。機械学習とは「経験により自動的に改善していく」コンピュータープログラムの構築方法に関わる分野です。 具体的には Python の機械学習用ライブラリである scikit-learn を用いて、集めた Tweet データを「ポジティブ」、「ネガティブ」なものに自動で分類する方法を紹介します。 処理の流れ今回行う処理は次のような流れになります。学習用データの作成データの前処理手法の選択モデルの学習未知要素の分類実行環境は前回、前々回で使用した A
No.14 医学的知識の抽出
目次 １．はじめに ２．Support Vector Machine(SVM)を用いた医学的知識の抽出 ３．実験 ４．まとめと課題 謝辞 参考文献 １．はじめに 目次 | 次の項目 近年、病院内の情報システム化が進んで大量のデータを蓄積することが可能となりつつある。しかし、現在の情報システムではサブシステム間におけるデータの相互関係が定義されていないので、相互に関連する知識を効率的に抽出することができない。 そこで我々は、様々なデータソースからデータエレメントを抽出し、「RDF（Resource Description Framework）」を用いて各データエレメント間の相互関係を定義することにより、ユーザーに有用な情報を提供するシステムの開発を行っている1)。その一例として、過去のレポートから医学的知識を抽出し、これを用いて入力支援情報を提示することが可能なレポーティングシステムの開発に
Rで自然言語処理：サポートベクターマシン（SVM）でテキスト分類 - Qiita
【 参考ウェブサイト 】 R実装コード 金 明哲教授（同志社大学）のウェブサイト 同氏 著書『Rによるデータサイエンス』第15章 理論の説明 筑波技術大学大学院 産業技術学セミナー「SVM（サポートベクターマシン）について」 理論 & R実装コード とうごろうぃき (2014-01-28投稿）「RでSVMを使う」 テキストデータ準備:（歴代内閣 施政方針演説） 首相官邸サイトから、手でエディタにコピー&ペースト ［URL］※アクセス日：2014年5月23日（木） ① 安倍内閣の演説 ３本（第186・185・183回国会での演説） http://www.kantei.go.jp/jp/96_abe/statement2/ ② 野田内閣の演説 ２本（第181・180回国会での演説） http://www.kantei.go.jp/jp/noda/statement2/index.html ファ
SVM(RBFカーネル)のハイパーパラメータを変えると何が起こるの? - Qiita
概要 SVM(Support Vector Machine)は分類精度の高い機械学習の手法として知られています. SVMでより高い分類精度を得るには, ハイパーパラメータを訓練データから決定する必要があります. この記事では, RBFカーネル(Gaussian カーネル)を用いたSVMのハイパーパラメータを調整することで, 決定境界がどのように変化するのかを解説します. 決めるべきハイパーパラメータ RBFカーネルを用いたSVMでは, 以下の2つのハイパーパラメータを調整します. コストパラメータ: $C$ RBFカーネルのパラメータ: $\gamma$ コストパラメータについて SVMは特徴空間に写像されたデータ点集合を分離する超平面を決定する手法です. しかし, 特徴空間上の点集合がいつも分離可能とは限りません. 例えば, 以下の図では二種類の記号を完璧に分割するような直線を引くことは
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
