3. モデルの結合 • 複数のモデルを何らかの⽅法で組み合わせることで、単⼀のモデルを独⽴に 利⽤するよりも性能改善できること多い. – コミッティ:複数の異なるモデルの予測の平均値を予測値として⽤いるような⽅法はコ ミッティと呼ばれる. (→ 14.2) • ブースティング:複数のモデルを逐次的に訓練する⼿法. コミッティ技術の1つ. (→14.3) – 予測に⽤いるモデルを⼊⼒変数の関数として選択する. • 異なる領域の予測をそれぞれのモデルが担当. • 決定⽊(→14.4):⼊⼒空間をハードに分割 – 混合エキスパートモデル (→14.5) • 確率的な枠組みの導⼊により、決定過程をソフトにする. 3 4. 14.1 ベイズモデル平均化 • ベイズモデル平均化と、モデルの結合は違う、ということを理解する。 • ベイズモデル平均化: 例 – p(h):あるモデルが選択される確率 – p
![PRML輪読#14](https://cdn-ak-scissors.b.st-hatena.com/image/square/82fd5e11db3437db4490739575c074047cd5e2f9/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fprml14-170726093517-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)