Apprentissage supervisé (classification)

Classification

J'écris comme mémo que j'ai principalement étudié avec Aidemy sur la classification des apprentissages supervisés.

Méthode

▼ Retour logistique

■ Aperçu

--Trouvez et classez les limites des données linéairement séparables par entraînement

■ Caractéristiques

--La frontière devient une ligne droite

Utilisé pour les données avec peu de classes telles que la classification binaire --La probabilité que les données soient classées en classes peut être calculée (probabilité de précipitations, etc.)

■ Inconvénients

--Ne peut pas être classé sauf s'il est séparable linéairement

Ne convient pas aux données éparses de grande dimension --La limite n'est pas polyvalente (tirée par les données d'entraînement)

■ Méthode d'importation

from sklearn.linear_model import LogisticRegression

bibliothèque scikit-learn Sous-module --linear_module --FonctionLogisticRegression ()

▼ SVM linéaire

■ Aperçu

--Classifié par limites de données --SVM pour classer en traçant une ligne droite

■ Caractéristiques

--Vecteur de support (groupe de données proche des autres classes)

Tracez une bordure à la position où la distance du vecteur de support est la plus grande --Facile à généraliser et à améliorer la prédiction de classification des données --Facile à faire une ligne

■ Inconvénients

――La prévision a tendance à être lente à mesure que la quantité de données augmente --Ne peut être classé que s'il est séparable

■ Méthode d'importation

from sklearn.svm import LinearSVC

Recommended Posts

Apprentissage supervisé (classification)

Python: apprentissage supervisé (classification)

Apprendre avec l'enseignant 1 Principes de base de l'apprentissage avec l'enseignant (classification)

Machine learning supervisé (classification / régression)

Classification de l'apprentissage automatique

Apprentissage automatique: supervisé - AdaBoost

Apprendre avec un enseignant (retour) 1 Bases

Python: apprentissage supervisé (retour)

Techniques liées à l'apprentissage automatique / à la classification

Machine Learning: Supervision - Régression linéaire

Python: Apprentissage supervisé: Hyper Paramètres Partie 1

Apprentissage supervisé 3 hyper paramètres et réglage (2)

Apprendre avec l'enseignant (retour) 2 édition avancée

Machine Learning: Supervisé - Support Vector Machine

Apprentissage supervisé 2 Hyper paramètres et réglage (1)

Machine Learning: Supervisé - Arbre de décision

Classification de relation mot à mot supervisée à l'aide de Word2Vec

Apprentissage automatique par python (1) Classification générale

Apprentissage automatique: analyse discriminante linéaire supervisée

estimation personnelle en temps réel (apprentissage)

Deep learning 2 appris par l'implémentation (classification d'images)

Dossier d'apprentissage

Dossier d'apprentissage n ° 3

Dossier d'apprentissage n ° 1

Apprentissage automatique

Algorithme d'apprentissage automatique (implémentation de la classification multi-classes)

[Apprentissage automatique] Apprentissage supervisé utilisant l'estimation de la densité du noyau

Dossier d'apprentissage n ° 2

6/10 Contenu d'apprentissage

L'apprentissage en profondeur

apprentissage numpy-sigmoïde

Classification EV3 x Pyrhon Machine Learning Partie 3

Chapitre 6 Apprentissage supervisé: Classification pg212 ~ [Apprenez en vous déplaçant avec Python! Nouveau manuel d'apprentissage automatique]

Classification des images de guitare par apprentissage automatique Partie 1

Bases de l'apprentissage avec un enseignant Partie 1-Régression simple- (Remarque)

Mémo d'étude Python & Machine Learning ⑤: Classification d'Ayame

[Apprentissage automatique] Apprentissage supervisé utilisant l'estimation de la densité du noyau Partie 2

Algorithme d'apprentissage automatique (de la classification à 2 classes à la classification à plusieurs classes)

[Apprentissage automatique] Apprentissage supervisé utilisant l'estimation de la densité du noyau Partie 3

Classification des images de guitare par apprentissage automatique, partie 2

Bases de l'apprentissage avec un enseignant Partie 3-Régression multiple (mise en œuvre) - (Notes) -