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

5.14

 応用：顔検出パイプライン

505

In[19]: from sklearn.naive_bayes import GaussianNB

from sklearn.model_selection import cross_val_score

cross_val_score(GaussianNB(), digits.data, digits.target).mean()

Out[19]: 0.81860038035501381

このような生成的分類器の利点の

1

つは、結果の解釈容易性です。未知なる各サンプルに対して、

確率的な分類が得られるだけでなく、点の分布の完全モデルを得ることもできるのです。

SVM

や

ランダムフォレストなど手法を使った際に、アルゴリズムがいかなる理由でその分類を行ったの

か、その直感的な理由を示してくれます。

これをさらに進めたい場合のために、ここで作成し

た

KDE

分類器モデルに対していくつかの改

善点を挙げておきます。

●

各クラスのバンド幅を個別に変えられるようにする

●

バンド幅を予測スコアに基づくのではなく、各クラス内の生成モデル下での学習データの尤

度（すなわち、全体の予測精度ではなく、

KernelDensity

自体のスコアを使用する）に基づい

て最適化する

最後に、独自の推定器を構築する練習が必要なら、

KDE

の代わりにガウス混合モデルを使用し

て同様のベイズ分類器を構築してみることをお勧めします。

5.14

 応用：顔検出パイプライン

この章では、機械学習の中心的な概念とアルゴリズムについて学びました。しかし、こうしたコ ...