機械学習の基礎

具体的な予測タスクまたは意思決定支援タスクから始めます。数値を予測することは回帰です。カテゴリを割り当てることは分類です。ラベルのない例をグループ化することはクラスタリングです。新しいテキストや画像の生成には、さまざまな目的と評価方法があります。出力を定義する前に、流行のアーキテクチャを選択することは避けてください。実際のワークフローには、データの収集、準備、モデルの適合、評価、展開、監視が含まれます。エラーはどの段階でも発生する可能性があります。整形式のレコードでトレーニングされたモデルは、運用サービスが単位を変更したり、2 つの入力列を交換したりすると失敗する可能性があります。複雑なモデルを当てはめる前にベースラインを確立します。予測の場合、以前の値が有用なベースラインになる可能性があります。分類では、最も一般的なクラスが最小限の比較を提供します。ベースラインは、余分な複雑さが有用な情報に寄与するかどうかを明らかにします。トレーニング サンプルを使用してパラメーターを適合させ、別のサンプルを使用してパフォーマンスを評価します。最終テスト セットを繰り返し調整しないようにしてください。間違いの結果を反映する指標を選択し、実際に失敗したケースを検査します。平均して良好なパフォーマンスを発揮するシステムでも、まれではあるが重要なケースでは使用できない場合があります。