第6章機械学習システムの設計
1推奨アプローチ
- すぐに実装できる単純なアルゴリズムから始めます。実装して、交差検証データでテストします。
- 学習曲線をプロットして、より多くのデータ、機能などが役立つ可能性があるかどうかを判断します。
- エラー分析：アルゴリズムがエラーを起こした（交差検証セットの）例を手動で（人工的に）調べます。エラーが発生している例のタイプに系統的な傾向（システム化化趋势）があるかどうかを確認します
2スキュークラスのエラーメトリック（スキュークラスのエラーメトリック）
| ハプニング | 予測する | 実際の |
|---|---|---|
| 真陽性、TP | 本当 | 本当 |
| 真陰性、テネシー州 | 偽 | 偽 |
| 誤検知、FP | 本当 | 偽 |
| 偽陰性、FN | 偽 | 本当 |
2.1精度（精度）
- P recision = TPTP + FP Precision = \ frac {TP} {TP + FP} PのR E C I S I O N=T P + F PT P
2.2リコール（リコール率）
- R ecall = TPTP + FN Recall = \ frac {TP} {TP + FN} R E C A L L=T P + F NT P
2.3精度とリコールのトレードオフ
- F1スコア：2 PRP + R 2 \ frac {PR} {P + R}2P + RP R
3機械学習のデータ
- アルゴリズム：
（1）知覚（ロジスティック回帰）
（2）Winnow
（3）メモリベース
（4）Naive Bayes - 勝つアルゴリズムは誰が持っているかではありません。最も多くのデータを持っているのはそれです。
- 大量のデータが合理的：
（1）多くのパラメーターを持つ学習アルゴリズムを使用→ J train（θ）J_ {train}（\ theta）JtがrのI Nを（θ ）は小さくなります
（2）非常に大きなトレーニングセットを使用します→J train（θ）J test（θ）J_ {train}（\ theta）J_ {test}（\ theta）JtがrのI Nを（θ ）JトンのE S T（θ ）
（3）from（1）+（2）→J test（θ）J_ {test}（\ theta）JトンのE S T（θ ）小さくなります
4高精度学習システムの設計
- 特徴値から情報を予測することは可能ですか
- 大量のデータ+マルチパラメータアルゴリズム
5リファレンス
ウーエンダ機械学習コースラ機械学習
黄海光機械学習ノート