戦略的データサイエンス入門 ―ビジネスに活かすコンセプトとテクニック

264

9 章　エビデンスと確率

で特徴

E

が観測されるか、という問いです。もしこの可能性をデータから算出すると

したら、クラス

c

のインスタンスの中で、特徴ベクトル

E

を持つインスタンスが占め

る割合になるでしょう。

3.

最後に、

p(E)

は、エビデンスの確率になります。つまり、どれくらい一般的に、特徴

ベクトル

E

がすべてのインスタンスの中で見られるか、という確率です。これをもし

データから算出するとしたら、すべてのインスタンスの中で

E

が登場する割合になる

でしょう。

もしトレーニングデータからこれらの

3

つの値を推量できたとすると、事後確率

p(C

＝

c | E)

の見積もりを、推定フェーズで特定のインスタンスに対して算出することができるで

しょう。仮にこれを算出することができたとすると、直接クラス確率の推定に使うことがで

きるでしょう（おそらく

7

章で説明したようなコストと利益を結合する方法を使って）。あ

るいは、

p(C

＝

c | E)

が算出できれば、インスタンスをランク付けするためのスコアとして

使えるかもしれません（例えば、広告に最も反応しそうなインスタンスの見積もりなど）。

もしくは、さまざまなクラス

c

の中から、

p(C

＝

c | E)

が最大となるクラスを選べるかもし

れません。

しかし残念ながら、前に少し触れた大きな問題に戻ってしまいます。この問題があるの

で、式

9-2

を直接データマイニングに適用できないのです。

E

をいつもの属性値のベクトル

<e

1

, e

2

,

…

, e

k

>

で考えると、おそらく大きくて、具体的な条件の集まりになります ...