最適な機械学習アルゴリズムは、余分なデータにさらされると学習し、改善されます。機械学習の「学習」という要素は、それらのアルゴリズムが時間とともにデータ処理方法を変えることを指します。つまり、機械学習アルゴリズムは、その設定を変更できるプログラムです。学習は，あるデータセットを予測する際の過去の実績に基づいて行われます．

MLアルゴリズムは，教師あり学習と教師なし学習に分類されます．教師あり学習アルゴリズムは，入力データとラベリングによる出力データに対して機能する．一方，教師なし学習アルゴリズムは，分類もラベル付けもされていないデータを扱う．例えば、教師なしアルゴリズムは、分類されていないデータを類似性と対照性に基づいて分類することもできる。

機械学習のアルゴリズムは、3つのタイプに分類される。

教師あり機械学習アルゴリズム

あなたが授業を担当する教師だと仮定する。教師はすでに正解を知っている。しかし、生徒が正解を知るまで、学習は終わらない。教師あり機械学習アルゴリズムは、この前提で機能する。アルゴリズムは、学習データセットから学習する生徒である。そして、教師によって修正された予測値を出す。また、この学習プロセスは、アルゴリズムが望ましい性能レベルに達するまで繰り返される。

教師なし機械学習アルゴリズム

このシナリオでは、クラスには教師がいない。貧しい生徒たちは自分たちで解決していかなければならない．つまり，教師なし機械学習アルゴリズムには，学習に対する正確な答えはなく，教師もいない．アルゴリズムも教師なし状態のまま，データの中にある構造を発見していきます．また，データそのものをどんどん学習していかなければならない．

強化機械学習のアルゴリズム

これらは仮想的な生徒たちです。彼らは時間をかけて自分の失敗から学んでいく。強化機械学習アルゴリズムは、試行錯誤しながら最適な行動を学習していく。これは、アルゴリズムが行動を学習することによって次の行動を決定することも意味する。これらは、将来的に報酬を最大化するような現在の状態に基づいている。

機械学習アルゴリズムのトップ

機械学習は実世界の複雑なデータ課題に対応する手法です。ここまで、様々な種類の機械学習アルゴリズムについて見てきました。ここでは、データサイエンティストが採用する最高の機械学習アルゴリズムについて見ていこう。

ナイーブベイズ分類器アルゴリズム

ウェブページや論文、電子メールなどのテキストデータを手作業で分類することは困難である。ナイーブベイズ分類器は、このタスクを処理するアルゴリズムである。このアルゴリズムは、ベイズの確率定理に基づいて機能する。これは、ある母集団に対して、可能なカテゴリの中から要素値を割り当てるものである。

P(y|X) = \frac{P(X|y) P(y)}{P(X)} ここで、yはクラス変数、Xはクラス変数です。

ここで、yはクラス変数、Xは従属特徴ベクトル（サイズn）であり、以下の通りです。

X = (x_1,x_2,x_3,……,xn)

電子メールスパムフィルタリングは、ナイーブベイズ分類法の応用の一つである。このアルゴリズムは、Gmailで電子メールがスパムであるかどうかを判断する場所を見つける。

K 平均クラスタリング・アルゴリズム

ウィキペディアで "デート "という言葉を調べるとする．「デート」とは、特定の果物、特定の日、あるいは恋人とのロマンチックな夜のことかもしれません。ウィキペディアはK平均クラスタリングアルゴリズムを使って、同じトピックを議論するウェブページをクラスタリングしています。
一般に、K平均クラスタリングアルゴリズムは与えられたデータセットに作用するK個のクラスタを採用する。その結果、出力にはK個のクラスタがあり、入力データはそれらの間に分散される。

サポートベクターマシンアルゴリズム

分類や回帰の問題には、サポートベクターマシンアルゴリズムを使用する。データは、ある線（超平面）を見つけることによって、いくつかのクラスに分かれる。この線は、データセットを複数のクラスに分割する。サポートベクターマシンアルゴリズムは、超平面の位置を特定しようとするものである。また、そうすることでクラス間の距離を最小にする。これにより、データを正しく分類できる可能性が高まります。

同じセクターの銘柄の株価パフォーマンスの比較はその一例です。サポートベクターマシンアルゴリズムがどのように機能するかを示している。これは、金融会社が投資決定を管理する際に役立ちます。

アプリオリ・アルゴリズム

IF-THEN 形式は、アプリオリ・アルゴリズム でアソシエーションルールを構築する際に使用される。これはイベント A が発生した場合、イベント B も発生する可能性が高いことを示唆する。例えば、ある人が自動車を購入したら、必ず自動車保険に加入しなければならない。このアソシエーションルールは、アプリオリ・アルゴリズムによって生成される。これは、自動車を購入した後に自動車保険に加入した人を調べている。

Googleのオートコンプリートは、アプリオリ・アルゴリズムがどのように機能するかの一例である。Googleにある単語を入力すると、アプリオリ・アルゴリズムはその単語の後に入力された関連語を検索し、表示する。

線形回帰アルゴリズム

線形回帰アルゴリズムは，2つの変数の間の関係を描写する．ここで、1つは独立で、1つは従属である。これは，独立変数を何らかの方法で変化させたときの従属変数への影響を表示する．独立変数は、説明変数とも呼ばれる。一方、従属変数は関心のある因子を指す。

Linear Regression Algorithm は、保険分野でのリスク評価です。線形回帰分析では、顧客の保険金請求の頻度を決定するのに役立ちます。そして、顧客の年齢が上がるにつれて増加するリスクを計算する。

ロジスティック回帰アルゴリズム

線形回帰アルゴリズムは、連続的な値を予測する。一方，ロジスティック回帰アルゴリズムは，離散的な値を予測する．その結果，ロジスティック回帰はバイナリ分類に最も適している．ロジスティック回帰では，イベントが発生すれば1，発生しなければ0として分類される．これは、提供された要因に基づいて、特定のイベントが発生する確率を予測します。

決定木アルゴリズム

あなたが誕生日のために場所を選びたいとする。その結果、多くの要因があなたの決断に影響を与える。例えば、"そのレストランはイタリアンか？" "そのレストランではライブ演奏があるか？" "レストランは家から近いか？"などです。これらの質問にはそれぞれYESかNOの答えがあり、あなたの選択に影響を与える。

これが「決定木アルゴリズム」で行われていることです。木の枝分かれの方法を用いて、決定のすべての代替結果もここに示される。また、ツリーのコアノードは、さまざまな品質に関するテストを表しています。ツリーの枝はテストの結果を表しています。葉のノードは、すべての属性を計算した後に到達した選択肢を表している。

銀行業務では、決定木アルゴリズムが融資希望者の分類に役立つ。また、ローン返済が滞る可能性にも基づいている。

ランダムフォレストのアルゴリズム

Random Forestsアルゴリズムは、Decision Treesアルゴリズムの欠点に対処するものである。木に含まれる決定の数が増えると結果の精度が落ちる。Random Forests Algorithmにはいくつかの決定木がある。これらは多様な統計的確率を表している。

CARTモデルはこれらすべての木を1つの木に結合する。すべての決定木の結果をポーリングすることで、アルゴリズムの最終的な予測を得ることができる。自動車分野では、このアルゴリズムが自動車要素の故障を予測する。

Kニアレストネイバーズアルゴリズム

K 近傍探索アルゴリズムは、類似した尺度に基づきデータ点を分類する。この指標は、距離関数などである。各新規データ点に対して、予測が行われる。これはデータセット全体をスキャンし、最も類似したK個の出現を探す。そして、これらのK個のインスタンスに対する出力変数を要約する。

これは回帰問題では結果の平均となりうる。あるいは、分類問題における最頻値である。K Nearest Neighborsアルゴリズムは、すべてのデータを保持するために、大量のメモリやスペースを必要とするかもしれません。しかし、予測が必要なときだけ、ぎりぎりのところで計算を行う。

人工ニューラルネットワーク アルゴリズム

人間の脳の神経細胞は、記憶や鋭い機転の基盤となっている。人工ニューラルネットワークは、人間の脳のニューロンを再現しようとするものです。人工ニューラルネットワークは、互いに接続されたノードを構築することでそれを実現します。これらのニューロンは、別のニューロンから情報を受け取ります。必要に応じて様々な動作をする。そして、その情報を出力として別のニューロンへ提供する。

人間の顔認識も、この人工ニューラルネットワークの一例です。データベース内の写真の枚数によっては、何時間もかかることもあります。しかし、人間の頭脳はそれを素早く行うことができる。

最適な機械学習アルゴリズムを選ぶには？

学習データの大きさ

通常、信頼性の高い予測を行うためには、大量のデータを収集することが推奨される。しかし、データの利用可能性は制限される。もし、学習データが少ない場合は、高バイアス/低分散の手法を選択する。線形回帰、ネーブベイズ、線形SVMなどがある。

出力の正確さ/解釈のしやすさ

モデルの正確さとは、そのオブザベーションの真の応答値に近い応答値を予測することを意味する。解釈可能な手法とは、個々の予測変数が明確に理解できることを意味します。しかし、柔軟なモデルは、低い解釈可能性を犠牲にして、より高い精度を提供します。

アルゴリズムの使い方は、ビジネス問題の目標に依存する。推論が目的であれば、制限的なモデルが望ましい。また、精度が目的であれば、柔軟なモデルが望ましい。一般に、手法の柔軟性が上がれば、解釈可能性も上がる。

トレーニング時間または速度

精度が高ければ高いほど、通常、より多くの学習時間が必要になる。また、大量の学習データに対してアルゴリズムを学習させる場合にも時間がかかる。実際のアプリケーションでは、この2つの側面からアルゴリズムを選択することになる。

特徴の多様性

データセットには膨大な数の特徴が含まれているかもしれないが、すべてが有用で注目すべきものであるとは限らない。ある種のデータに関しては、特徴の数はむしろ膨大になるかもしれない。膨大な数の特徴は、学習アルゴリズムによっては妨げになることがある。また、学習時間が法外に長くなってしまう。さらに、SVMは特徴空間は大きいが観測値が少ないデータに向いている。

まとめ

結論として、機械学習アルゴリズムはパズルの1ピースに過ぎない。オプティマイザー、データクリーニング、特徴選択、特徴正規化などを扱わなければならない。また、アルゴリズムの選択以外にも、ハイパーパラメータのチューニングを行う必要がある。

これらがすべて完了し、データに適したモデルを作成したら、今度はそれを起動し、条件が変わったら更新することになります。また、機械学習モデルを本番で管理するのは、全く別の課題です。

様々なアルゴリズムを試し、その結果を比較することで、独自のアクティビティに最適なものを手に入れましょう。また、より高い精度が得られることが多いアンサンブル・アプローチの使用も検討してください。