このセクションでは、おそらく最も一般的な種類の機械学習の問題である教師あり学習について定義します。後で教師あり学習を正式に定義します。
例を使用して教師あり学習とは何かを紹介し、正式な定義は省略します。住宅価格を予測したいとします。
少し前に、学生がオレゴン州ポートランドの研究機関から住宅価格に関するデータを収集しました。このデータをプロットすると、次のようになります。横軸は家の平方フィートを表し、縦軸は住宅価格を数千ドルで表します。この一連のデータに基づいて、750 平方フィートの家を持っている友人がその家を売りたいと考えており、その家がいくらで売れるかを知りたいと考えているとします。
この問題に関して、機械学習アルゴリズムはどのように役立つのでしょうか?
この一連のデータに学習アルゴリズムを適用して直線を引き、つまり直線を当てはめます。この線に基づいて、家が売れる可能性があると推測できます。もちろん、アルゴリズムはこれだけではありません。 。たとえば、これらのデータを直線でフィッティングする代わりに、二次方程式を使用してフィッティングする方が良い場合があります。二次方程式の曲線によれば、この点から、この家は に近い価格で販売できると推測できます。後ほど、学習アルゴリズムを選択する方法と、直線と二次方程式のどちらを当てはめるかを決定する方法について説明します。2 つの選択肢のうち 1 つを選択すると、友人の家をよりリーズナブルに売却できる可能性があります。これらはすべて学習アルゴリズムの良い例です。上記は教師あり学習の例です。
教師あり学習とは、学習アルゴリズムにデータセットを与えることを意味することがわかります。このデータセットは「正解」で構成されています。住宅価格の例では、一連の住宅データが与えられ、データセット内の各サンプルの正しい価格、つまり実際の販売価格を与えた後、学習アルゴリズムを使用してより多くの正解を計算します。たとえば、友人の新しい家の価格。専門用語では、これを回帰問題と呼びます。私たちは連続的な価値の結果、つまり家の価格を推測しようとします。
普通の家