AIシステム設計・意思決定構造の設計を専門としています。
Ontology・DSL・Behavior Treeによる判断の外部化、マルチエージェント構築に取り組んでいます。
Specialized in AI system design and decision-making architecture.
Focused on externalizing decision logic using Ontology, DSL, and Behavior Trees, and building multi-agent systems.
コメント
[…] データサイエンティストのクリストフ・モルナル（Christoph Molnar）氏が著した『解釈可能な機械学習──ブラックボックス化したモデルを説明可能にするためのガイド』の日本語訳がWeb上で無料公開されている。前回は線形回帰モデルについて述べた。今回はロジスティック回帰モデルについて述べる。 […]
[…] 線形モデルはシンプルなモデルの解釈が可能という利点がある反面、現実の問題(結果が正規分布に従わなかったり、特徴量間に相互作用があったり、あるいは、特徴量と結果の間の真の関係が非線形であったりするような場合)に対応することが困難であるという欠点がある。これらの課題に対応する為、一般化線形モデル(GLM:General Linear Models)や、一般化加法モデル(GAM:General Additive Model)が提案されてきた。 […]
[…] 説明できる機械学習(2)解釈可能なモデル(線形回帰モデル) […]
[…] 単純な線形回帰モデルやロジスティック回帰モデルでは、特徴量と結果が非線形の時や、特徴量の間に相互作用がある場合には推定に失敗する。決定木を用いたモデルを用いることで、これらに対する解を見つける事ができる。 […]
[…] 回帰(regression) : ある入力から連続値の出力を予測するための関数を求める。線形回帰が最も基本的な回帰。(パラメータが入力ベクトルを足し合わせて変換することから「線形回帰」と呼ばれる。 […]
[…] 線形回帰: “説明できる機械学習(1)解釈可能なモデル(線形回帰モデル)“で述べている線形回帰は、特徴と目的変数の関係を線形のモデルで表現する方法となる。特徴を元にして目 […]