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

392

5

章 機械学習

象的です。非常に単純なアルゴリズムであっても、慎重に使用し、高次元の大きなデータセットで

学習したならその結果は驚くほど効果的となります。

5.5.4

 ナイーブベイズをいつ使うべきか

ナイーブベイズ分類器はデータ対して単純な仮定をするため、複雑なモデルと同じようには機能

しません。とは言うものの、いくつかの利点があります。

●

学習と予測のどちらも非常に高速です

●

わかりやすい確率的予測を提供します

●

多くの場合で、非常に解釈が簡単です

●

調整可能なパラメータが非常に少数です

これらの利点は、最初に使用する分類器として、ナイーブベイズ分類器が良い選択であることを

意味します。それがうまく働くのであれば、非常に高速で非常にわかりやすい分類器が得られたこ

とになります。うまくいかない場合は、より洗練されたモデルの調査を始めましょう。どうなれば

良いのか、その基準とすべき知識は、ナイーブベイズ分類器の結果から既に

得られています。

ナイーブベイズ分類器は、次のような状況に対して特に優れています。

●

単純な仮定がデータと一致する場合（実際には非常にまれです）

●

モデルの複雑性がそれほど重要ではなく、カテゴリが非常によく分離されている場合

●

モデルの複雑性がそれほど重要ではなく、データの次元が非常に高い場合

最後の

2

つは異なるように見えますが、実際には関連しています。データセットの次元が拡大す

るにつれて、

2

つの点が近くにある可能性は低くなります（結局、

2

つの点がすべての次元で近くに

なけ