正解率 (精度, accuracy)：正や負と予測したデータのうち，実際にそうであるものの割合 \[\mathrm{Accuracy}=\frac{TP+TN}{TP+FP+TN+FN}\] 適合率 (precision)：正と予測したデータのうち，実際に正であるものの割合 \[\mathrm{Precision}=\frac{TP}{TP+FP}\] 再現率 (recall, 感度, sensitivity)：実際に正であるもののうち，正であると予測されたものの割合 \[\mathrm{Recall}=\frac{TP}{TP+FN}\] 特異度 (specificity)：実際に負であるもののうち，負であると予測されたものの割合 \[\mathrm{Specificity}=\frac{TN}{FP+TN}\] F値 (F尺度, F-measure)：再現率と適合率の調和平均． \[\
線形モデル (linear model)† データ解析の基本は線形モデルである． 多くの場合解が陽に解ける上，モデルがシンプルなので汎化能力も高い． 解が陽に解けるためにはモデルが線形なだけではダメで，(誤差の)確率分布が正規分布であるなどの仮定も必要となる． --あかほ 形式的には，入力 \(x_1,\ldots,x_k\) と実数の重み \(\theta_0,\theta_1,\ldots,\theta_k\) を用いて出力 \(y\) が次式で表されるのが線形モデル： \[y=\theta_0+\sum_{i=1}^k \theta_i x_i + \epsilon\] ただし，\(\epsilon\) は平均が0で，分散が\(\sigma^2\) の正規分布に従う誤差項． ベクトル \(\mathbf{x}=[1,x_1,\ldots,x_k]^\top\) と \(\mathbf
オープニング† 佐久間 淳 （筑波大） IBISの役割：理論的基盤と社会応用の両面から先導 → 「このビックウェーブを導こう」 ポスター発表件数 135 （うち学生発表 70） 参加登録者数 約350 + 当日参加 ↑ 大規模機械学習のための事例と特徴のセーフスクリーニング† 竹内 一郎（名工大） スパースモデリング：線形モデルの重みパラメータやカーネルモデルの事例パラメータが 0 になる lasso：L1正則化項を用いる SVM：損失関数にヒンジ損失関数を利用した場合 スパース学習の計算コスト 学習後の最適解において，どのパラメータが 0 になるか分からない → スパースでないモデルと計算量は変わらない → スクリーニングによる高速化 スクリーニング：学習前にどうにか 0 になりそうなパラメータを探す ヒューリスティクス：0 になりそうなもの推測して取り除きあとで最適性を確認 安全スクリ
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く