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

174

6 章　類似度、近傍、クラスタ

3.

「

a

」を「

e

」に置換する

したがって、これら

2

つの文字列の編集距離は

3

になります。同じような編集距離の計

算を他のフィールド、具体的には名前（ミドルネームのイニシャルの欠落などの取り扱いな

ど）などに対して行い、その上でさまざまな編集距離の類似度を統合して高度な類似度を計

算することもできます。

編集距離は生物学の分野で広く使われており、2 つの対立遺伝子文字列の遺伝子的

距離を測定することに応用されています。データが文字列や配列から構成され、そ

の並び順が重要な意味を持つ場合には、編集距離を選択することは一般的であると

言えます。

6.3.3

 

*

結合関数：近傍を使って評価する

内容の網羅性のために、結合関数（インスタンスの近傍の集合から、インスタンス

を予測する式）についても簡単に説明します。

多数決という単純な戦略から説明を始めます。この際の判定ルールは式

6-6

のよう

に表せます。

式

6-6

 多数決投票による分類

c(x)

＝

arg max

スコア

(c,

近傍

k

(x))

c

∈クラス

ここで近傍

k

(x)

はインスタンス

x

に対する

k

個の近傍を返し、

arg max

は指定した関数が

最大値を取る変数の値（このケースであれば

c

）を返します、そして評価関数（式のスコア）

は式

6-7

で示されます。

式

6-7

 多数決での評価関数

スコア

(c, N )

＝

［クラス

(y)

＝

c

］

y

∈

N

ここで［クラス

(y)

＝

c

］という式はクラス

(y)

＝

c

となる時に

1

になり、それ以外は

0

となる関数です。

「

6.2.3