機械学習に関しては、今日は誰もが精通しているトピックのようです。しかし数年前、エリザベスが初めてJMPに加わったとき、彼はまだこれらの分野を探求することへの好奇心と興味に満ちていました。今日、私たちは一緒に機械学習と探検の旅を始めます。
この記事の著者はElizabeth Claassenです、オリジナルのテキストはJMPグローバルユーザコミュニティJMPコミュニティに掲載されています、オリジナルテキストに興味がある友達も直接することができますオリジナルを見る 。
2014年にJMPに入社したとき、エリザベスは農業実験とハイブリッドモデリングの長年の歴史を持つ学校で統計学の博士号を取得しました。彼女は賢明な計画、混合モデルのテクニカル分析、そして最適化されたアウトプットを通して情報を最大化する小さな実験計画をしていました。最も簡単な例は、分割ゾーン設計です。彼女と働いている科学者が動物科学、昆虫学、食品科学または教育から来ているかどうかは本当です。
JMPに入社して間もなく、ビッグデータの熱はピークに達しました。続いたのは、数年で機械学習が増えたことです。機械学習の台頭がビッグデータに遅れを取っているのは当然のことです。それで、あなたはデータを集めた後にあなたは何をすべきですか？もちろん、それは機械学習ツールを使用して分析されます。
エリザベスが学校で受けた正式な教育は、特に機械学習の分野に関連したものではありませんでしたが、彼女が統計的開発者として働き始めた後、これらはすぐに習得するために必要なコア要素でした。それで、彼女が新しいテーマの最初の一歩を踏み出したとき、彼女はウィキペディアのウェブサイトで機械学習について学び始めました。
「機械学習は、明示的なプログラミングを必要とせずに、統計的手法を使用してコンピュータシステムがデータから学習できるようにする（たとえば、特定のタスクのパフォーマンスを徐々に向上させる）分野間の分野です。」
この音は信じられないでしょうか。明確なプログラミングなしにコンピュータシステムはどうやって何かを「学ぶ」ことができるでしょうか。「私たちはまだSkynetを実装していません。エリザベスは考えた。それで彼女は深く掘り下げました。
ブリタニカ百科事典は、機械学習を次のように定義しています。」
エリザベスが機械学習についてもっと学んだ後、彼女はソフトウェアの自律学習にもっと興味を持った。「明示的なプログラミングはありません」とは、いったんアルゴリズムに渡されると、そのアルゴリズムには残りの部分を実行するための人間からのそれ以上の指示がないことを意味します。
上記の定義と彼女が使用している用語の認識に基づいて、エリザベスは機械学習が現在の人工知能の流行語であると認識しています。
監視付きおよび監視なしの学習
では、JMPは機械学習を実装できますか？ 答えはイエスです！ 技術的には、JMPは1989年の最初のリリース以来、機械学習機能を備えています。これは、JMPが常に時代の最前線にいたことを示しています。次に、機械学習について話すときに誰もが考えるアルゴリズムを詳しく見てみましょう。
多くの場合、機械学習アルゴリズムは、教師付き学習と教師なし学習の異なるタイプに分けられます。
- 教師つき学習では、アルゴリズムは予測変数（X列）と反応変数（Y列）の両方を使用します。 訓練データは、与えられた値に対する予測変数の期待値が何であるべきかをアルゴリズムに伝えることによって「監督」を達成します。
- 教師なし学習の場合、アルゴリズムは予測変数のみを使用し、パターンはそれらによってのみ決定されます。「真実」（応答）を使わずに、実際に私たちの多くは真実を知りません。
JMP 機械学習アルゴリズムはどのカテゴリにありますか？
教師あり学習
|
教師なし学習
|
決定木*
|
クラスター
|
ニューラルネットワーク
|
自己組織化マップ
|
ブートストラップ森林法*
|
関連分析
|
戻る
|
特異値分解
|
K最近傍*
|
|
単純なシェル*
|
|
アスタリスク（*）の付いた機能はJMP Proに限定されています。
これを見て、これが慣習的な意味での機械学習ではないと考えて、多くの人々はリストの「リターン」に驚くかもしれません。しかし実際には、それは教師付き学習の最も直接的な形です。 JMP 1 バージョンは YをXに合わせる回帰関数 JMP 3 増加したクラスターその後も、より多くの機械学習オプションが表示されます。 JMP 新バージョンでは。1つまたは複数のアルゴリズムに精通している人は、それらの間の類似点に気付くかもしれません。多くのモデルは驚くべき予測精度を生み出すことができますが、モデルの係数を解釈するのは難しいかもしれません。分界ポイントの意味例えば、予測結果は、決定木のノードを追跡することによって導き出すことができるが、これらのノードが選択される場所の背後にある固有の意味はない。 わからないクラスニューラルネットワークモデルのパラメータは、次のように推定されます。 「 現実の世界 」 それはどういう意味ですか？クラスニューラルネットワークは最良の予測的機械学習モデルの1つです。
対照的に、回帰モデルは、固有の意味を持つパラメータの推定値をユーザーに提供します。係数が正であれば、この予測値を1単位大きくすると、反応値等しいものを追加学科値の金額。これと Galit Shmueli 医者が言った「解釈または予測」は関連しています。このトレードオフでは、最高のフォールド誠実なそのうちの一つのプログラムはフィットモデルプラットフォームの一般化回帰関数。として JMP 統計開発者クレイバーカー言ったように、使用なげなわまたは弾性ネット予測性能を向上させることができ、そしてこのモデルは依然として十分に説明することができる。
しかし、解釈可能性の欠如はありますか？ たぶん、そうではないかもしれません。
- ユーザが将来の事象の最も正確な予測を達成することに集中している場合、解釈可能なモデルは必要ない。
- 逆に、ユーザーがより具体的なアプローチを望んでいる場合 「 彼らのスコアを向上させる 」 解釈可能なモデルを選ぶことができます。
全体として、どのモデルでも重要なのは、モデルの出力を実行に移すことができるということです。
まだ人間の介入が必要
たとえコンピュータアルゴリズムがすべてのすばらしいことを実行できるとしても、より高度な問題を処理するために手動分析が依然として必要です。
例えば、
どのようなデータを分析に含めたり、分析から除外したりしますか？
- いくつかのアルゴリズムは重要な変数を選択する能力を持っています、しかしモデルが最初にコンピュータに変数を与えないなら、たとえ変数が非常に予測可能であっても、コンピュータはそれを自動的に選択しません。
- 収益を減少させるポイントはどこですか。
モデルが複雑すぎて実行に間に合わない場合は、意味がありません。たぶんそれほど複雑ではないモデルでも、ほぼ同じ結果が得られ、速く実行することができます。有名な例は、Netflix Awardsの受賞者です。勝者モデルのパフォーマンスは、誰もが予想していたよりもほぼ優れていますが、すぐには実行できません。Netflixは次に何を見るべきかをユーザーにアドバイスする必要がありますが、モデルに必要なデータ量と処理速度により、間に合わせることが不可能になります。
- モデルには固有の偏りがありますか？
明らかに、コンピュータアルゴリズムは人間が持っている偏りを持っていませんが、アルゴリズムは偏りの特性と高い相関があるモデルを生み出すかもしれません。たとえば、住宅ローンでは、ローンを決定する際に違法となる特性がいくつかあります。しかし、違法な要素と高い相関がある正当な要素がいくつかあります。たとえば、レースが直接データの一部ではない場合でも、アルゴリズムは特定のレースをほぼ完全に拒否するモデルを生成することがあり、このモデルは法的な結果をもたらす可能性があります。
- モデルを更新するのはいつですか。
モデリングの目的は、私たちが行動を起こすことを可能にするいくつかの出力を生成することです。したがって、モデルが行動に移されると、モデルは更新される必要があります。実装の変更がモデルの将来の入力に影響するため、これらの更新が必要です。古いモデルを使い続けると、元のデータの境界を超えて外挿される危険性があります。したがって、モデルを更新する必要がある点についての質問に回答できるのは人間だけです。
そのため、機械学習が普及しているにもかかわらず、正確なモデルが私たちの仕事をより効果的に果たすためには、モデルの構築とモデルの更新に人間の介入が必要です。
次の記事では、さらに2つの機械学習アルゴリズムを紹介します。k最近傍と単純なシェル、そしてこれら2つの方法を使用して日常生活の中で興味深いデータを分析する方法を実際に見ていきます。
