-
-
【G検定】3-16_回帰の評価指標と、モデルの選び方
予測のずれをひとつの数字にまとめるとき、大きな外れをどれだけ重く見るかでMSEとMAEの数字は変わります。当てはまりの良さだけで比べると複雑なモデルが必ず勝ってしまうため、同じだけ説明できるなら単純なほうを選ぶというオッカムの剃刀を指針に置き、それを一つの数字にしたAICとBICで選ぶことを扱った記事です。
-
-
【G検定】3-15_分類の評価
分類の成績は、当たった数だけでは測れません。陽性と判定して外す場合と、陽性を見逃す場合、二通りの外し方のどこを見ているかによって、正解率・適合率・再現率・F値・ROC曲線とAUCがどう違うのかを整理する記事です。
-
-
【G検定】3-14_過学習とデータの分け方
学習に使ったデータで測った成績は、なぜ当てにならないのか。過学習とは何かを整理したうえで、ホールドアウト検証と交差検証、どちらを使うかがデータの量でどう決まるのかを説明します。
-
-
【G検定】3-13_行動の決め方をどう学ぶか——強化学習の5つの手法は何で分かれているのか
強化学習の代表的な手法が、行動の価値を見積もって決める価値関数の学習と、選ばれやすさそのものを直接動かす方策の学習のどちらを行っているかで分かれることを整理します。価値関数を学習するほうのQ学習とSARSAの違いが更新の目標に使う次の行動にあること、方策を学習するほうの方策勾配法・REINFORCE、そして両方を同時に学ぶActor-Criticについても扱っています。
-
-
【G検定】3-12_探索と活用とは|バンディットアルゴリズム・ε-greedy 方策・UCB 方策
2026/10/22 UCB 方策, ε-greedy 方策, バンディットアルゴリズム, 探索, 活用
強化学習でいまの見積もりが一番高い行動を選ぶ活用と、まだよく分かっていない行動を試す探索の違い、そして活用だけを続けると本当は一番良い行動を確かめられないまま終わってしまう問題を整理します。この割り振りだけを単純にして扱うバンディットアルゴリズムと、その代表的な選び方であるε-greedy方策・UCB方策も扱っています。
-
-
【G検定】3-11_強化学習の枠組み——マルコフ決定過程・割引率・状態価値関数・行動価値関数
強化学習が、いま返ってくる報酬ではなく、そこから先に受け取る報酬の合計を大きくしようとしていること、そしてその見積もりを支えるマルコフ決定過程・方策・割引率・状態価値関数・行動価値関数という枠組みを整理します。
-
-
【G検定】3-10_レコメンデーションとトピックモデル——協調フィルタリング・コンテンツベースフィルタリング・LDAは何が違うのか
2026/10/20 コールドスタート問題, コンテンツベースフィルタリング, トピックモデル, レコメンデーションエンジン, 協調フィルタリング, 潜在的ディリクレ配分法
協調フィルタリング・コンテンツベースフィルタリング・トピックモデルが、それぞれ何を手がかりに推薦や話題を見つけているかを整理し、コールドスタート問題と潜在的ディリクレ配分法(LDA)についても扱います。
-
-
【G検定】3-9_次元削減
2026/10/19 t-SNE, 主成分分析(PCA), 多次元尺度構成法(MDS), 次元の呪い, 次元削減, 特異値分解(SVD)
次元削減が、もとのデータが持っていた構造をできるだけ保ったまま、データを表している特徴の数を減らす操作であることを整理しました。主成分分析(PCA)・多次元尺度構成法(MDS)・t-SNEが、それぞれ何を保とうとしているのかの違いと、特異値分解(SVD)が主成分分析の計算を支える方法にあたることも扱っています。
-
-
【G検定】3-8_クラスタリング
2026/10/18 k-means法, ウォード法, クラスタリング, デンドログラム(樹形図), 重心, 階層的クラスタリング, 非階層的クラスタリング
クラスタリングが、正解のラベルがないデータの中から似たもの同士のまとまりを見つけて分ける操作であることを整理しました。代表的な手法である k-means法と階層的クラスタリングの違いが、いくつのまとまりに分けるかを「いつ決めるか」にあることを、ウォード法とデンドログラム(樹形図)も含めて扱っています。
-
-
【G検定】3-7_アンサンブル学習
アンサンブル学習が、単体では平凡なモデルをたくさん作って組み合わせ、全体でひとつの強いモデルとして使う枠組みであること、束ね方がバギングとブースティングの2つに分かれることを整理しました。バギングの代表であるランダムフォレストと、ブースティングの代表である勾配ブースティングについても扱っています。