保護中: スパース性に基づく機械学習の概要 機械学習:Machine Learning Twitter Facebook はてブ Pocket LINE コピー 2024.03.20 2021.05.09 このコンテンツはパスワードで保護されています。閲覧するには以下にパスワードを入力してください。 パスワード: {{#message}}{{{message}}}{{/message}}{{^message}}送信は失敗しました。 サーバーから「{{status_text}}」というレスポンスがありました（コード: {{status_code}}）。 このフォーム処理機能の開発者に連絡して、このメッセージを改善してください。 さらに詳しく{{/message}}{{#message}}{{{message}}}{{/message}}{{^message}}送信は成功したようです。 サーバーのレスポンスが OK でも、送信が処理されていない場合があります。 このフォーム処理機能の開発者に連絡して、このメッセージを改善してください。 さらに詳しく{{/message}}送信しています…
コメント
[…] ここで特徴量が何百、何千とあった場合には、特徴量をすべてそのまま使うと解釈性は下がってしまう。インスタンスよりも特徴量が多い場合は学習ができないという状況にも陥る。このような場合には、以前述べたスパース学習で解説したLassoを用いて、特徴量の選択と選択された特徴量の重みの正規化を行うアプローチがよく用いられる。 […]
[…] FriedmanとPopescuにより2008年に提案されたRuleFitアルゴリズムは、元の特徴量と決定規則である多数の新しい特徴量を用いて、スパース線形モデルを学習することで、特徴間の相互作用を結合したスパース線形モデルの学習に使われる。生成される特徴量は、決定木から分割された決定を結合し、規則とすることで、木を通る各パスを決定規則に変換することで自動的に生成される。 […]
[…] スパース性に基づく機械学習(1) 概要 […]
[…] 機械学習プロフェッショナルシリーズ「スパース性に基づく機械学習」より。前回は概要を述べた、今回はスパース性学習の基本となる機械学習の基礎とノルムと正則化について述べる。 […]