May 2018
Intermediate to advanced
556 pages
13h 21m
Japanese
book
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
by Jake VanderPlas, 菊池 彰
Content preview from 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
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
Start your free trial
5.5
詳細：ナイーブベイズ分類
385
scikit-learn
パイプラインの実例については、この後のナイーブベイズ分類の節と、「5.6 詳細：
線形回帰」および「5.7 詳細：サポートベクターマシン」を参照してください。
5.5
詳細：ナイーブベイズ分類
これまでの
4
つの節で、機械学習の概要を説明しました。この節以降では、いくつかの教師あり
学習と教師なし学習のアルゴリズムについて詳しく掘り下げます。最初にナイーブベイズ分類から
始めます。
ナイーブベイズモデルは非常に高速で簡単な分類アルゴリズムの
1
つであり、非常に高次元の
データセットに適しています。このアルゴリズムは非常に高速で、チューニング可能なパラメータ
がとても少ないため、分類問題の最初の一手として非常に役立ちます。この節では、ナイーブベイ
ズ分類器がどのように動作するかを直感的に説明し、いくつかのデータセットに対する例を示しま
す。
5.5.1
ベイズ分類
ナイーブベイズ分類器（
Naive Bayes classifiers
）はベイズ分類法に基づいて作られています。こ
れは統計量に対する条件付き確率の関係を説明するベイズの定理に依存しています。ベイズ分類で
は、ある特徴量（
features
）が観測された際に、そのラベルが
L
である確率に興味があります。これ
を
P
(
L
| features)
と記述します。ベイズの定理は、これを直接的に計算できる量から求める方法を
与えます。
P
（
L | features
）＝
P
（
features |
L
）
P
（
L
）
P
（
features ...