Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

5.1

 機械学習とは？

345

1

次元の潜在変数を表す色が抽出され、螺旋に沿って一様に変化していることに注目してくださ

い。見た目の構造をアルゴリズムで検出できたことを示しています。これまでの例と同様に、次元

削減アルゴリズムは高い次元のデータに対して重要となります。例えば、

100

から

1,000

種類の特

徴を持つデータセット内の重要な関係を可視化することを考えてみてください。

1,000

次元のデー

タを可視化することは困難ですが、次元削減を使用してデータを

2

次元または

3

次元に縮小すれば

可視化が可能となります。

この後、重要な次元削減アルゴリズムとして、主成分分析（「5.9 詳細：主成分分析」を参照）

と、等尺性マッピング（

Isomap

）や局所線形埋め込み（

Locally Linear Embedding

）などの多様体学習

（「5.10 詳細：多様体学習」を参照）を紹介します。

5.1.3

 まとめ

ここでは、機械学習の基本的なアプローチを、簡単な例を通して見てみました。実践において重

要となる細かい部分は省略しましたが、機械学習がどのような問題を解決できるかについて、基本

的な考え方が理解できたかと思います。

簡単にまとめます。

教師あり学習

ラベル付き学習データに基づいてラベルを予測するモデル

分類

2

つ以上の離散カテゴリへの分類ラベルを予測するモデル

回帰

連続ラベルを予測するモデル

教師なし学習

ラベルのないデータの構造を識別するモデル

クラスタリング

データ内のグループを検出して識別するモデル

次元削減

より高次元データ内の低次元構造を検出し識別するモデル ...