機械メーカーのエンジニアが作った 機械学習 Gallery

当サイトについて

取得したデータ(※)から分析や推定,予測を目的として,\(\hat Y = f(X)\) または \(\hat y = f(x_1 , x_2 , \cdots , x_p)\) の機械学習モデルを作るための手法を解説しています。

※ 取得データ
  目的変数:\( Y=\{ y_1 , y_2 , \cdots , y_n \} \)
  説明変数:\( X=\{ X_1 , X_2 , \cdots , X_p \} \) ,\( X_j=\{ x_{1j} , x_{2j} , \cdots , x_{nj} \} \)

重回帰分析 工事中

 目的変数 ( \(y_i\) ) の誤差分布:正規分布
 目的変数 ( \(y_i\) ) の等分散性:前提としている
 説明変数に対する非線形性:扱えない
  \(\hat y\) の区間推定:可能
  \(\hat y_i\) の範囲予測:可能
 説明変数 ( \(X_j\) ) の交互作用:扱えない

応答曲面法 工事中

 目的変数 ( \(y_i\) ) の誤差分布:正規分布
 目的変数 ( \(y_i\) ) の等分散性:前提としている
 説明変数に対する非線形性:2次の非線形効果まで扱い可能
  \(\hat y\) の区間推定:可能
  \(\hat y_i\) の範囲予測:可能
 説明変数 ( \(X_j\) ) の交互作用:線形な交互作用効果を入れることは可能

lasso (スパースモデリング) 工事中

 目的変数 ( \(y_i\) ) の誤差分布:正規分布※
 目的変数 ( \(y_i\) ) の等分散性:前提としている※
 説明変数に対する非線形性:扱えない (応答曲面モデルにして説明変数の2次項を入れることは可能)
  \(\hat y\) の区間推定:不可
  \(\hat y_i\) の範囲予測:不可
 説明変数 ( \(X_j\) ) の交互作用:扱えない (応答曲面モデルにして線形な交互作用効果を入れることは可能)
※ \(y_i\) の分布関数が既知の場合,一般化線形モデルに拡張することは可能

カーネル回帰・サポートベクトルマシン 工事中

 目的変数 ( \(y_i\) ) の誤差分布:設定していない
 目的変数 ( \(y_i\) ) の等分散性:前提としている
 説明変数に対する非線形性:モデル化可能
  \(\hat y\) の区間推定:不可
  \(\hat y_i\) の範囲予測:不可
 説明変数 ( \(X_j\) ) の交互作用:非線形交互作用が自動的にモデルに反映

ガウス過程回帰 工事中

 目的変数 ( \(y_i\) ) の誤差分布:正規分布
 目的変数 ( \(y_i\) ) の等分散性:前提としている
 説明変数に対する非線形性:モデル化可能
  \(\hat y\) の区間推定:可能
  \(\hat y_i\) の範囲予測:ベイズ的な確信区間として可能
 説明変数 ( \(X_j\) ) の交互作用:非線形交互作用が自動的にモデルに反映

一般化線形モデル 工事中

 目的変数 ( \(y_i\) ) の誤差分布:正規分布,二項分布,ポアソン分布,ガンマ分布,etc.
 目的変数 ( \(y_i\) ) の等分散性:誤差分布モデルに依存
 説明変数に対する非線形性:非線形モデルも作成可能
  \(\hat y\) の区間推定:可能
  \(\hat y_i\) の範囲予測:近似的に可能
 説明変数 ( \(X_j\) ) の交互作用:扱えない (応答曲面モデルにして線形な交互作用効果を入れることは可能)

一般化加法モデル 工事中

 目的変数 ( \(y_i\) ) の誤差分布:正規分布,二項分布,ポアソン分布,ガンマ分布,etc.
 目的変数 ( \(y_i\) ) の等分散性:誤差分布モデルに依存い
 説明変数に対する非線形性:モデル化可能
  \(\hat y\) の区間推定:可能
  \(\hat y_i\) の範囲予測:可否不明
 説明変数 ( \(X_j\) ) の交互作用:非線形交互作用を選択的にモデルに反映

ベイズ推定による回帰モデルの作成 工事中

 目的変数 ( \(y_i\) ) の誤差分布:正規分布,ポアソン分布,指数分布,etc.※
 目的変数 ( \(y_i\) ) の等分散性:誤差分布モデルに依存
 説明変数に対する非線形性:考慮していない※
  \(\hat y\) の区間推定:可能
  \(\hat y_i\) の範囲予測:可能
 説明変数 ( \(X_j\) ) の交互作用:高度な方法を使えば可能
一般化線形モデルへ拡張することは可能