DEVELOPER’s BLOG
技術ブログ
2分類SVMモデルの活用事例
1.SVMの定義
SVMとは、パターン認識の手法を用いて物事を分類することである。 パターン認識は事前に学習したデータを用いて、 新たなデータがどこに属すものかをあてはまる手法である。
2.分類する線を引くイメージ
集めたデータを元に最も適した線を引く。 クラス1に分類するものとクラス２に分類するものの間に 識別境界線を引くことで２つのクラスを分けることができます。 
3.識別境界線を引く方法
では、どのような基準で識別境界線を引くことができるのであろうか。
ハードマージンと呼ばれる関数が最大値になるベクトルが識別境界線となる。
つまり、マージンは、２クラスのデータの中で最も他クラスと近い位置にいるもの
(これをサポートベクトルと呼ぶ)と識別境界f(x)=0との間のユークリッド距離のことです。
ただマージンを最大化して境界線を引くだけでは、境界線が平行移動すれば片方のクラスが
大きくなり、もう片方のクラスが小さくなる問題が生じる。
そのため下のグラフの赤いサポートクラスをd1と置き、青いサポートクラスをd2と置く。
そしてd1とd2を2で割れば最適点oが導かれる。この最適点oを通る識別境界線が
クラス1とクラス2を分類するための最も適当な線となる。
4.識別境界線を用いて分類することができる例
- 迷惑メールと通常のメールの区別
- 郵便番号を認識して分類する
- 顔認識ができる。事前に画像ピクセルから出された値から顔を否かを識別できる。
5.私見
私見では、ＳＶＭを応用することであらゆる画像を認識して対象のものか否かを区別できる 便利なツールとして用いることができる。 近年のアマゾン問題における過度な労働から機械化を進める大きな要因になると考える。 例えば、画像認識を用いれば、ダンボールの位置や向きやサイズの状態を画像が判別して振り分け作業が可能となる。 この技術が発展すれば人手が多く必要な工場では機械が導入され労働状況の改善や企業の生産力の工場に寄与することとなる。
関連記事
線形モデル(linear model)は、実用的に広く用いられており、入力特徴量の線形関数(linear function)を用いて予測を行うものです。まず、説明に入る前に言葉の定義から紹介します。 線形回帰 データがn個あるとした時にデータの傾向をうまく表現することができるy=w_0×x_0+....+w_n×x_n というモデルを探し出すこと 正則化 過学習を防いで汎化性を高めるための技術で、モデルに正則化項というものを加え、モデルの形が複雑になりす
はじめに 昨日まで開催されていたKaggleの2019 Data Science Bowlに参加しました。結果から言いますと、public scoreでは銅メダル圏内に位置していたにも関わらず、大きなshake downを起こし3947チーム中1193位でのフィニッシュとなりました。今回メダルを獲得できればCompetition Expertになれたので悔しい結果となりましたが、このshake downの経験を通して学ぶことは多くあったので反省点も踏まえて
〜普及に向けた課題と解決策〜に続き 私が前回作成した記事である「海洋エネルギー × 機械学習 〜普及に向けた課題と解決策〜」では、海洋エネルギー発電の長所と課題とその解決策について触れた。今回はそこで取り上げた、 課題①「電力需要量とのバランスが取りにくい」、課題③「無駄な待機運転の時間がある」への解決策 ～発電量・電力需要量予測～ ～機械学習を用いた制御～ を実装してみる。 繰り返しにはなるが、この「発電量・電力需要量予測」と「機械学習を用いた制御」
回帰分析とは 先ず回帰分析とは、あるp個の変数が与えられた時、それと相関関係のあるyの値を説明、予測することである。ここで変数xを 説明変数 、変数yを 目的変数と呼ぶ。p=1、つまり説明変数が1つの時を単回帰、またp>=2、つまり説明変数が2つ以上の時を重回帰と呼ぶ。 単回帰分析 今回はp=1と置いた 単回帰分析 について説明する。 このとき、回帰式は y=ax+b(a,bは 回帰係数 と呼ばれる)となり直線の形でyの値を近似(予測)できる。 単回帰分析