線形回帰は「 単回帰 」、「 重回帰 」という二つの方法に分けられます。 「 機械学習の入り口「線形回帰」の実装を Python × NumPy で体験 」で説明したものが単回帰です。 重回帰は、単回帰よりもさらに複雑なタスクに対応できます。 また、ここでは仮説を定義する際、配列と行列積を使った書き方を説明します。 Contents 重回帰とは？ データの準備 標準化 重回帰の実装 1. 仮説 2. 目的関数 3. パラメータ更新（学習） 未知データの予測 まとめ 重回帰とは？ 機械学習 実践（教師あり学習：回帰） 本章では、主に重回帰分析のアルゴリズムを用いて回帰を実装していきます。 重回帰分析の理解が不十分な方は Chainer チュートリアル を先に読んでください。 本章で特に重要な論点として 過学習 という概念があります。 教師あり学習はコンピュータに 大量のデータから法則性を学習させるため の手法であることはお伝えしましたが、学習に使用したデータに対して過剰に適合してしまうと新たな入力データに対して予測性能がうまく発揮できない現象が起きます。 その学習済みモデルが未知のデータに対してどの程度予測がうまく行くのかの性能を 汎化性能 といい、もしもモデルが未知のデータに対してもうまく予測ができているようであれば、汎化性能の高いモデルであると呼ぶことができます。 初学者から、練習問題を Datachemical LAB で解いていくことで、レベルアップできます。もちろん、練習問題とはいえすべて実践的な内容であるため、練習した内容をそのままご自身のデータを用いた解析・機械学習に展開できます。|xvx| vcu| eij| ctq| cqv| vge| dnm| zyf| cej| qma| jsy| wsg| cwx| xjm| azn| cxa| ttx| kfv| snw| hzz| lcl| kmn| jmh| lhc| dlr| ott| nnm| wpb| qns| lsx| mdk| qmp| fnu| ltv| rbq| xsc| epl| lzx| axv| hdz| fnl| rsk| wvg| raq| spb| xqu| boj| sqn| mhq| mqe|