機械学習 - SVM

1. サポートベクターマシン
2. 非線形SVM

Transcript

1. 分類問題2: サポートベクターマシン 第7回 機械学習発展 （導入編） ⼭本 祐輔 名古屋市⽴⼤学 データサイエンス研究科 yusuke_yamamoto@acm.org
2. 授業資料 2 https://mlnote.hontolab.org/
3. 講義のトピック 機械学習 教師あり学習 教師なし学習 強化学習 ・クラスタリング ・データ圧縮 ・分類 ・回帰 … … 3 行動情報学科に 特有の応用手法 ・K近傍法 ・サポートベクタマシン ・ニューラルネットワーク
4. K-近傍法（k-NN: k nearest neighbor）のアイデア 4 対象データまでの距離が最も近いK個のデータの ラベルのうち、最も多いラベルに分類する ？ K=5:⻘ K=3:緑 K=1:⻘ 多 数 決
5. K-近傍法のメリット・デメリット 5 メリット • 単純なのに強⼒ • データの背後にある分布を仮定しなくてよい （ノンパラメトリックな⼿法） デメリット • 推論フェーズの計算量が⼤きい（毎回の距離計算） • 次元の呪いの影響を受けやすい
6. 教師あり学習のための機械学習アルゴリズムの分類 6 ロジスティック回帰 ナイーブベイズ サポートベクターマシン K近傍法 ランダムフォレスト & 決定木 ニューラルネットワーク 訓練データをすべて記憶して おき，それら全部を使って 予測を⾏う（推論計算が遅い） 訓練データの背後にあるモデル を抽出し，それを予測時に使う （推論計算は速い） インスタンスベース モデルベース 本⽇学ぶのはコレ
7. 1 一世を風靡した学習アルゴリズム サポートベクターマシン 7
8. 教師あり学習の歴史（⼀部抜粋） ロジスティック回帰 サポートベクターマシン 決定木 パーセプトロン 単純ベイズ分類器 ランダムフォレスト k-近傍法 ベイジアンネットワーク 深層学習 1958年 1957年 1951年 1979年 1985年 1992年 1960年代 2001年 2010年代 8 ⼀世を⾵靡した強⼒なアルゴリズム． 深層学習が台頭した今でも，状況に よっては⽤いられることも．
9. サポートベクターマシン（SVM） 入力 ・ベクトルデータ ・正則化係数 𝐶 ・カーネル関数 𝐾 学習 by SVM 9 それほど多くないデータでも精度よく推論したい時に有効 ID 血圧 （上） 喫煙 頻度 年齢 心臓 疾患 1 110 5 74 なし 2 160 17 53 あり … … … … … ⼼臓疾患データ 学習済み モデル ML 血圧 … 疾患 124 ？ 未知データ 推論 ⼼臓疾患あり 出力 ラベル（基本的には2値）
10. 2次元平⾯上で考える分類問題 •と×のデータ集合が与えられたときに， 未知の2次元データが•か×をどう予測する？ Q. X 0 Y ? ▲ ? ▲ 10
11. 2次元平⾯上で考える分類問題 •と×のデータを2分するような直線を見つける A. X 0 Y ? ▲ ? ▲ 直線より下側なら「•」 直線より上側なら「×」 ax+by+c=0 11
12. 2次元平⾯上で考える分類問題 •と×のデータを2分するような直線を見つける A. X 0 Y 直線といっても複数考えられる…どれがベストか？ A B C 12
13. 機械学習の⾄上命題 13 機械学習 汎化性能の高い 予測モデルの構築 未知データに対する予測性能を⾼める必要あり （訓練データに最適化しすぎても意味がない（過学習））
14. 2次元平⾯上で考える分類問題 X 0 Y ▲ ▲ ▲ ▲ 学習に使用したデータは 真の分布を完全に表現しているとは限らない ▲ ▲ できる限り未知のデータにも対応できる直線にしたい… 14
15. 2次元平⾯上で考える分類問題 X 0 Y A B C 未知のデータがどこに出現するか分からない状況で 未知データが•か×かを予測するベスト直線は？ Q. 15
16. 2次元平⾯上で考える分類問題 X 0 Y A 未知のデータがどこに出現するか分からない状況で 未知データが•か×かを予測するベスト直線は？ Q. 16 B
17. 2次元平⾯上で考える分類問題 X 0 Y B 未知のデータがどこに出現するか分からない状況で 未知データが•か×かを予測するベスト直線は？ Q. 17
18. 2次元平⾯上で考える分類問題 X 0 Y C 未知のデータがどこに出現するか分からない状況で 未知データが•か×かを予測するベスト直線は？ Q. 18 B
19. 2次元平⾯上で考える分類問題 X 0 Y 直線に最も近い訓練データから直線までの距離 （マージン）が最大となるような直線がベスト！！ A. 19 B
20. 2次元平⾯上で考える分類問題 X 0 Y A 20 直線に最も近い訓練データから直線までの距離 （マージン）が最大となるような直線がベスト！！ A.
21. 2次元平⾯上で考える分類問題 X 0 Y C 21 直線に最も近い訓練データから直線までの距離 （マージン）が最大となるような直線がベスト！！ A.
22. サポートベクター （直線に最も近い点） サポートベクターマシンの直感的なアイデア X 0 Y マージンを最大化する超平面を見つける （分類境界とサポートベクターの距離） 𝑔(𝒙) = 0 サポートベクター （直線に最も近い点） 22
23. 数学的準備：超平⾯の数式表現（1/2） 23 x y x y z 2次元空間での直線 𝑎𝑥 + 𝑏𝑦 + 𝑐 = 0 𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 + 𝑑 = 0 3次元空間での平⾯
24. 数学的準備：超平⾯の数式表現（2/2） 24 x1 2次元空間での直線 𝑤# 𝑥# + 𝑤$ 𝑥$ + 𝑤% = 0 𝑤! 𝑥! + 𝑤" 𝑥" + ⋯ + 𝑤# = 0 N次元空間での超平⾯ x2 𝒙 = (𝑥! , 𝑥" ) ？ x1 x2 xN ベクトルwとxの内積 w=(w1 , w2 ) ※ 実は wは法線ベクトル ⟹ 𝒘&𝒙 + 𝑤% = 0
25. 数学的準備：2次元空間での点と直線間の垂直距離 25 x1 直線: 𝑤! 𝑥! + 𝑤" 𝑥" + 𝑤# = 0 x2 (𝑥! ′, 𝑥" ′) 𝐿 = |𝑤! 𝑥! $ + 𝑤" 𝑥" $ + 𝑤# | 𝑤! " + 𝑤" " ⾼校で習った公式 L
26. 数学的準備：N次元空間での点と超平⾯の間の距離 26 |𝑤! 𝑥! " + ⋯ + 𝑤# 𝑥# ′ + 𝑤$ | 𝑤! % + ⋯ + 𝑤# % = |𝒘%𝒙$ + 𝑤# | 𝒘 x1 x2 xN 𝒙$ = (𝑥! $ , 𝑥" $ , … , 𝑥% ′) 𝐿 = L 直線: 𝒘𝑻𝒙 + 𝑤# = 0 ベクトルで表現 (𝑔 𝒙 = 𝒘𝑻𝒙 + 𝑤# ) = |𝑔(𝒙)| 𝒘
27. サポートベクターマシンの定式化: 設定 X1 0 Xn N次元空間上の点 𝑖 : 𝒙 ! = (𝑥" ! , … , 𝑥# (!)) 点 𝑖 のラベル値 y(!) = * 1 −1 … 点 𝑖 が×の場合 … 点 𝑖 が•の場合 27
28. サポートベクターマシンの定式化: 設定 X1 0 Xn N次元空間上の点 𝑖 : 𝒙 ! = (𝑥" ! , … , 𝑥# (!)) 点 𝑖 のラベル値 y(!) = * 1 −1 … 点 𝑖 が×の場合 … 点 𝑖 が•の場合 y = −1の点 y = 1の点 28
29. サポートベクターマシンの定式化 : ⽬標設定(1/2) X1 0 Xn 点 𝑖 について y(') = 1 の場合，𝑔(𝒙 ' ) ≥ 1 y(') = −1の場合，𝑔 𝒙 ' ≤ −1 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 𝑔 𝒙 = 0 (𝑔 𝒙 = 𝒘!𝒙" + 𝑤# ) 29
30. サポートベクターマシンの定式化 : ⽬標設定(2/2) X1 0 Xn 目標2: 𝑔(𝒙) のマージンを最大化させたい 𝑔 𝒙 = 0 (𝑔 𝒙 = 𝒘!𝒙" + 𝑤# ) ×で 𝑔 𝒙 に 最も近い点 𝑗 •で 𝑔 𝒙 に 最も近い点 𝑖 𝐿' 𝐿( ⟹ argmax 8 𝐿9 + 𝐿: 30
31. サポートベクターマシンの最適化問題を解く 点 𝑖 について y(") = 1 の場合，𝑔(𝒙 " ) ≥ 1 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 目標2: 𝑔(𝒙) のマージンを最大化させたい ⟹ argmax 8 𝐿9 + 𝐿: … 式(1) … 式(2) y(") = −1の場合，𝑔 𝒙 " ≤ −1 31
32. サポートベクターマシンの最適化問題を解く 点 𝑖 について y(") = 1 の場合，𝑔(𝒙 " ) ≥ 1 y(") = −1の場合，𝑔 𝒙 " ≤ −1 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 目標2: 𝑔(𝒙) のマージンを最大化させたい ⟹ argmax 8 𝐿9 + 𝐿: … 式(1) … 式(2) ⟹ argmax 𝒘, () |𝑔(𝒙(*))| 𝒘 + |𝑔(𝒙 , )| 𝒘 点と超平⾯間の距離公式 32
33. サポートベクターマシンの最適化問題を解く 点 𝑖 について y(") = 1 の場合，𝑔(𝒙 " ) ≥ 1 y(") = −1の場合，𝑔 𝒙 " ≤ −1 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 目標2: 𝑔(𝒙) のマージンを最大化させたい ⟹ argmax 8 𝐿9 + 𝐿: … 式(1) … 式(2) 式(1)より ≥ argmax 𝒘, () 1 𝒘 + 1 𝒘 = argmax 𝒘, () 2 𝒘 (𝑔 𝒙 = 𝒘!𝒙" + 𝑤# ) ⟹ argmax 𝒘, () |𝑔(𝒙(*))| 𝒘 + |𝑔(𝒙 , )| 𝒘 33
34. サポートベクターマシンの最適化問題を解く 点 𝑖 について y(") = 1 の場合，𝑔(𝒙 " ) ≥ 1 y(") = −1の場合，𝑔 𝒙 " ≤ −1 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 目標2: 𝑔(𝒙) のマージンを最大化させたい ⟹ argmax 8 𝐿9 + 𝐿: … 式(1) … 式(2) ≥ argmax 𝒘 1 𝒘 + 1 𝒘 = argmax 𝒘 2 𝒘 ⟹ argmin 𝒘, () 𝒘 2 逆数の最⼩化と等価 34
35. サポートベクターマシンの最適化問題を解く 点 𝑖 について y(") = 1 の場合，𝑔(𝒙 " ) ≥ 1 y(") = −1の場合，𝑔 𝒙 " ≤ −1 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 目標2: 𝑔(𝒙) のマージンを最大化させたい ⟹ argmax 8 𝐿9 + 𝐿: … 式(1) … 式(2) ≥ argmax 𝒘 1 𝒘 + 1 𝒘 = argmax 𝒘 2 𝒘 ⟹ argmin 𝒘 𝒘 2 2乗を最⼩化 しても同じ ⟹ argmin 𝒘 𝒘 " 2 35
36. サポートベクターマシンの最適化問題：問題設定の変形 点 𝑖 について y(") = 1 の場合，𝑔(𝒙 " ) ≥ 1 y(") = −1の場合，𝑔 𝒙 " ≤ −1 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 目標2: 𝑔(𝒙) のマージンを最大化させたい ⟹ argmax 8 𝐿9 + 𝐿: … 式(1) … 式(2) ⟹ argmin 𝒘 𝒘 $ 2 … 式(3) 最⼩化問題!! SVMの最適化は不等式制約下の最小化問題に帰着される （不等式制約） 36
37. 数理最適化の定⽯ 37 （不）等式制約下での 関数最小化 ラグランジュの未定乗数法
38. サポートベクターマシンに関する最適化問題の最終形 38 𝐹(𝜆(!), … , 𝜆(#)) = @ '*! # 𝜆(') − 1 2 @ '*! # @ +*! # 𝜆(')𝜆(+)𝑦(')𝑦(+)𝒙 ' ,𝒙(+) ∑123 4 𝜆(1)𝑦(1) = 0 および 𝜆(3) …, 𝜆(5) ≥ 0 の条件下で を最⼤化する 𝜆 1 を⾒つける(ただし 𝒘 = ∑'*! # 𝜆(')𝑦(')𝒙(')) ラグランジュの未定乗数法 (𝑖 = 1, … , 𝑁) ベクトルの内積
39. サポートベクターマシンの最適化を例で考える（1/4） X1 0 X2 𝑔 𝒙 = 0 (𝑔 𝒙 = 𝑤$ 𝑥$ + 𝑤% 𝑥% + 𝑤# ) 𝒙 $ = (3, 4) 𝒙 % = (1,2) 𝒙 & = (2, 6) 学習データとして2次元のデータが3つ与えられたとし， SVMを適用して最適な分離境界線を見つけたい 39 (𝑦 ! = 1) (𝑦 " = 1) (𝑦 # = −1)
40. サポートベクターマシンの最適化を例で考える（2/4） 40 𝐹(𝜆(!), 𝜆(%), 𝜆(-)) = @ '*! - 𝜆(') − 1 2 @ '*! - @ +*! - 𝜆(')𝜆(+)𝑦(')𝑦(+)𝒙 ' ,𝒙(+) ただし 𝒘 = 𝜆(!)𝑥(!) − 𝜆 " 𝑥 " + 𝜆(/)𝑥(/) = 3𝜆 ! − 𝜆 " + 2𝜆(/) 4𝜆 ! − 2𝜆 " + 6𝜆(/) + 𝜆(!) − 𝜆 % + 𝜆(-) = 0 および 𝜆(!), 𝜆(%), 𝜆(-) ≥ 0 の条件下で 以下の関数F を最⼤化したい
41. サポートベクターマシンの最適化を例で考える（3/4） 41 𝜆(!) − 𝜆 % + 𝜆(-) = 0 および 𝜆(!), 𝜆(%), 𝜆(-) ≥ 0 の条件下で 以下の関数F を最⼤化したい + = − 25 2 𝜆 ! % − 5 2 𝜆(%) % − 20 𝜆(-) % +11𝜆(!)𝜆(%) + 14𝜆 % 𝜆 - − 30𝜆 - 𝜆 ! − 𝜆 ! + 𝜆 % − 𝜆(-) 𝐹 𝜆 ! , 𝜆 % , 𝜆 -
42. 微分などを駆使し，各変数についてFを最⼤化すればよい サポートベクターマシンの最適化を例で考える（4/4） 42 𝜆(!) − 𝜆 % + 𝜆(-) = 0 および 𝜆(!), 𝜆(%), 𝜆(-) ≥ 0 の条件下で 以下の関数F を最⼤化したい = − 25 2 𝜆 ! % − 5 2 𝜆(%) % − 20 𝜆(-) % +11𝜆(!)𝜆(%) + 14𝜆 % 𝜆 - − 30𝜆 - 𝜆 ! − 𝜆 ! + 𝜆 % − 𝜆(-) 𝐹 𝜆 ! , 𝜆 % , 𝜆 - 𝐹(𝜆 ! ) = … 𝜆 ! " + … 𝜆(!) + … 変数1つに着⽬すれば…単なる2次関数!! いわゆる 2次計画問題！
43. 理想世界でのサポートベクターマシン X1 0 Xn 1 𝒘 サポートベクター サポートベクター マージンの外側でデータの分布がキレイに分かれる 𝑔(𝒙) = 0 この領域には データはない 43
44. サポートベクターマシンを使う現実的な状況 X1 0 Xn ノイズ1 ノイズ2 ノイズ3 学習で使うデータにノイズが混入する 44
45. サポートベクターマシンを使う現実的な状況 X1 0 Xn ノイズ1 ノイズ2 ノイズ3 𝜉! 𝜉- 𝜉" 学習で使うデータにノイズが混入する ノイズを考慮してサポートベクターマシンを修正したい… 45
46. サポートベクターマシン with ハードマージン の最適化問題 点 𝑖 について y(") = 1 の場合，𝑔 𝒙 " ≥ 1 y(") = −1の場合，𝑔 𝒙 " ≤ −1 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 目標2: 𝑔(𝒙) のマージンを最大化させたい ⟹ argmin 𝒘 𝒘 $ 2 46
47. サポートベクターマシン with ソフトマージン の最適化問題 点 𝑖 について y(") = 1 の場合，𝑔 𝒙 " ≥ 1 − 𝜉" y(") = −1の場合，𝑔 𝒙 " ≤ −(1 − 𝜉") 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 目標2: 𝑔(𝒙) のマージンを最大化させたい ⟹ argmin 𝒘 𝒘 $ 2 + 𝐶 9 9I# J 𝜉9 反対側に⾏っても 認めてあげる (𝜉 ≥ 0) 反対側に⾏った分は ペナルティを与える 47
48. サポートベクターマシン with ソフトマージン に関する最適化問題の最終形 48 𝐹(𝜆(!), … , 𝜆(#)) = @ '*! # 𝜆(') − 1 2 @ '*! # @ +*! # 𝜆(')𝜆(+)𝑦(')𝑦(+)𝒙 ' ,𝒙(+) ∑123 4 𝜆(1)𝑦(1) = 0 および ∀𝑖, 𝜆(1), 𝜉(1) ≥ 0 の条件下で を最⼤化する 𝜆 1 を⾒つける(ただし 𝒘 = ∑'*! # 𝜆(')𝑦(')𝒙(') , ラグランジュの未定乗数法 (𝑖 = 1, … , 𝑁) ∀𝑖, 𝐶 = 𝜆 ' + 𝜇 ' , 𝜇 ' 𝜉 ' = 0)
49. Hands-on タイム 以下のURLにアクセスして， サポートベクターマシンを体験してみましょう https://mlnote.hontolab.org/ 49
50. 2 「トリック」を使う 非線形SVM 50
51. 線形分離不可能な問題 51 X 0 Y どうやっても1つの直線で分離できないデータ分布がある 線 形 分 離 不 可 能
52. 線形分離不可能な問題の解決策 52 X 0 Y 0 X Y Z = X2+Y2 複数の直線（超平面）を 組み合わせる 高次元化された空間で 分離超平面を見つける
53. データの⾼次元化の例 53 𝒙 = (𝑥! , 𝑥" ) 𝒙# = (1, 2𝑥! , 2𝑥" , 2𝑥! 𝑥" , 𝑥! ", 𝑥" ") : 2次の多項式に写像（変換） 𝜙(𝒙) 線形分離不能なデータも 高次元化すればSVMで分類しやすくなる
54. ⾼次元化対応のサポートベクターマシンの最適化問題（1/2） 点 𝑖 について y(!) = 1 の場合，𝑔 𝜙(𝒙 ! ) ≥ 1 − 𝜉! y(!) = −1の場合，𝑔 𝜙(𝒙 ! ) ≤ −(1 − 𝜉!) 目標1: 以下を満たす 𝑔(𝒙) を見つけたい 目標2: 𝑔(𝒙) のマージンを最大化させたい ⟹ argmin 𝒘 𝒘 " 2 + 𝐶 , #$% & 𝜉# ⾼次元化関数 をかます X 0 Y 0 X Y Z マージン 最⼤化 ⾼次元空間 に 𝜙 で写像 54
55. ⾼次元化対応のサポートベクターマシンの最適化問題（2/2） 55 𝐹(𝜆(!), … , 𝜆(#)) = @ '*! # 𝜆(') − 1 2 @ ',+*! # 𝜆(')𝜆(+)𝑦(')𝑦(+)𝜙(𝒙 ' )𝑇𝜙(𝒙(+)) ∑123 4 𝜆(1)𝑦(1) = 0 および ∀𝑖, 𝜆(1), 𝜉(1) ≥ 0 の条件下で を最⼤化する 𝜆 1 を⾒つける(ただし 𝒘 = ∑'*! # 𝜆(')𝑦(')𝒙(') , ∀𝑖, 𝐶 = 𝜆 ' + 𝜇 ' , 𝜇 ' 𝜉 ' = 0) ⾼次元化された ベクトルの内積
56. ⾼次元空間の内積計算は⼤変 56 𝒙 = (𝑥# , 𝑥$ ) 𝒚 = (𝑦# , 𝑦$ ) 𝜙L 𝒙 = 1, 2𝑥# , 2𝑥$ , 2𝑥# 𝑥$ , 𝑥# $, 𝑥$ $ 𝜙L (𝒚) = (1, 2𝑦# , 2𝑦$ , 2𝑦# 𝑦$ , 𝑦# $, 𝑦$ $) : 2次の多項式に写像（変換） 𝜙L (𝒙) 内積計算 𝜙L 𝒙 &𝜙L 𝒚 = 1 + 2𝑥! 𝑦! + 2𝑥" 𝑦" + 2𝑥! 𝑥" 𝑦! 𝑦" + 𝑥! "𝑦! " + 𝑥" "𝑦" " 2次元ベクトルでも1ペアの内積計算でのかけ算回数が11回に… これではSVMの学習の 計算コストが膨大に…
57. カーネルトリック 57 𝒙 = 𝑥# , 𝑥$ , 𝒚 = (𝑦# , 𝑦$ ) 𝐾! 𝒙, 𝒚 = 1 + 𝒙" ( 𝒚 # = 1 + 𝑥$ 𝑦$ + 𝑥# 𝑦# # = 1 + 2𝑥" 𝑦" + 2𝑥6 𝑦6 + 2𝑥" 𝑥6 𝑦" 𝑦6 + 𝑥" 6𝑦" 6 + 𝑥6 6𝑦6 6 = 𝜙! 𝒙 "𝜙! 𝒚 かけ算回数 = 2 + 1 回 式展開 が与えられたとき カーネル関数を使えば，明示的に 高次元変換しなくても効率よく内積を計算できる 多項式変換したベクトルの内積と同じに!!
58. 最適化⽅法は線形SVMと全く同じ（記号が変わっただけ） カーネルトリックを使った⾮線形SVMの最適化問題 58 𝐹(𝜆(!), … , 𝜆(#)) = @ '*! # 𝜆(') − 1 2 @ ',+*! # 𝜆(')𝜆(+)𝑦(')𝑦(+)𝜙/ (𝒙 ' )𝑇𝜙/ (𝒙(+)) ∑123 4 𝜆(1)𝑦(1) = 0 および ∀𝑖, 𝜆(1), 𝜉(1) ≥ 0 の条件下で を最⼤化する 𝜆 1 を⾒つける(ただし 𝒘 = ∑'*! # 𝜆(')𝑦(')𝒙(') , ∀𝑖, 𝐶 = 𝜆 ' + 𝜇 ' , 𝜇 ' 𝜉 ' = 0) 多項式カーネルで計算簡略化 = @ '*! # 𝜆(') − 1 2 @ ',+*! # 𝜆(')𝜆(+)𝑦(')𝑦(+)𝐾/ (𝒙 ' , 𝒙(+))
59. 代表的なカーネル関数 for SVM 59 𝐾(𝒙, 𝒚) = 𝑐 + 𝒙& B 𝒚 M 𝐾(𝒙, 𝒚) = 𝑒 N 𝒙N𝒚 $ $P$ 多項式カーネル 動径基底カーネル ・⼊⼒ベクトルの成分の組合せを 成分とする⾼次元ベクトルを想定 ・⽂書分類タスクでよく⽤いられる （パラメータd=2） ・無限次元空間にベクトルを射影 ・最もよく⽤いられるカーネル． 分布の特徴が未知の時に使う ・ガウスカーネルと呼ばれることも Radial Basis Function 画像出典: https://scikit-learn.org/stable/auto_examples/svm/plot_iris_svc.html
60. サポートベクターマシンの⻑所・短所 60 • ⾼次元空間でも汎化性能が⾼い • 次元数に対して学習データ数が 少なくても性能を発揮 • 計算量が多い（DNNほどではない） • データ数に対して次元数がかなり ⼤きいと，過学習が起きる • パラメータが少ない（DNNよりは） ※ DNN = Deep Neural Network
61. Hands-on タイム 以下のURLにアクセスして， 非線形SVMを体験してみましょう https://mlnote.hontolab.org/ 61
62. 今後の予定 62 回 実施⽇ トピック 1 04/14 ガイダンス 2 04/21 pandas⼊⾨ 3 04/28 決定⽊からはじめる機械学習 4 05/12 クラスタリング1：k-means & 階層的クラスタリング 5 05/19 クラスタリング2：密度ベースクラスタリング 6 05/26 分類1：K近傍法 & 教師あり機械学習のお作法 7 06/02 分類2：サポートベクターマシン 8 06/09 分類3：ニューラルネットワーク⼊⾨