はじめに 「教師なし学習」は膨大なラベル付けの作業(アノテーション)がいらずデータを準備しやすい。でも、学習が難しくて「教師あり学習」のように思ったような成果を出させるのがなかなか難しい。そこで両方の良いとこ取りをしようと注目されているのが「半教師あり学習」です。半教師あり学習は識別モデルと生成モデルで使われていますが、今回は識別モデルについて解説します。 半教師あり学習とは Vol.
3, random_state = 1) model = LinearRegression () # 線形回帰モデル y_predicted = model. predict ( X_test) # テストデータで予測 mean_squared_error ( y_test, y_predicted) # 予測精度(平均二乗誤差)の評価 以下では、線形回帰モデルにより学習された petal_length と petal_width の関係を表す回帰式を可視化しています。学習された回帰式が実際のデータに適合していることがわかります。 x_plot = np. linspace ( 1, 7) X_plot = x_plot [:, np. newaxis] y_plot = model. predict ( X_plot) plt. 教師あり学習 教師なし学習 利点. scatter ( X, y) plt. plot ( x_plot, y_plot); 教師なし学習・クラスタリングの例 ¶ 以下では、アイリスデータセットを用いて花の2つの特徴量、 petal_lenghとpetal_width 、を元に花のデータをクラスタリングする手続きを示しています。ここでは クラスタリング を行うモデルの1つである KMeans クラスをインポートしています。 KMeansクラス 特徴量データ ( X_irist) を用意し、引数 n_clusters にハイパーパラメータとしてクラスタ数、ここでは 3 、を指定して KMeans クラスのインスタンスを作成しています。そして、 fit() メソッドによりモデルをデータに適合させ、 predict() メソッドを用いて各データが所属するクラスタの情報 ( y_km) を取得しています。 学習された各花データのクラスタ情報を元のデータセットのデータフレームに列として追加し、クラスタごとに異なる色でデータセットを可視化しています。2つの特徴量、 petal_lengh と petal_width 、に基づき、3つのクラスタが得られていることがわかります。 from uster import KMeans X_iris = iris [[ 'petal_length', 'petal_width']]. values model = KMeans ( n_clusters = 3) # k-meansモデル model.
2020. 02. 10| Writer:NTT東日本アベ 教師なし学習とは?覚えておきたい機械学習の学習手法概要 近年、さまざまな分野で活用されているAI(人工知能)ですが、その技術を支える技術の一つが機械学習です。機械学習によってコンピュータは大量のデータを学習して分類や予測などを実現しますが、その学習手法にはいくつか種類があることをご存知でしょうか。そのうちの一つが「教師なし学習」であり、この記事では教師なし学習について概要から活用例、メリット・デメリットなどについて解説していきます。 教師なし学習とは?