はじめに
すべてのモデルが、線としてプロットできる単純な数式とは限りません。 一部の複雑なモデルでは、そうする代わりにフロー チャートや従来のプログラミング構造のようにとらえると、より簡単に考えやすくなります。 そのようなモデルでは通常、より高いレベルのカスタマイズを行えます。そういったカスタマイズを行うと、モデルは確かにより効果を発揮しますが、作業も複雑になります。 これらの演習全体を通して、モデルがどのように機能するか、またどのようにトレーニングできるかを実際に行ってみることで、これらを確かめます。 ここでは 1 種類のモデルに焦点を合わせますが、ここで説明する一般的な原則は、他の多くのモデルの種類にも適用されます。
シナリオ: 機械学習を使用したスポーツの結果の予測
このモジュール全体を通して、モデル アーキテクチャとハイパーパラメーターに関する概念について説明する際に、次のサンプル シナリオを参照します。 このシナリオは、最初は複雑に見えますが、演習を進めるにつれ、重要な考え方を理解し、実験を用いてどのように取り組んだら良いかわかるようになるでしょう。
競技の標語は、Citius、Altius、Fortius の 3 つのラテン語で構成されています。 これらは、より速く、より高く、より強くを意味します。 この標語が定められて以来、射撃、セーリング、団体競技などさまざまな競技が含められるようになり、拡大を見せています。 ここでは、世界で最も有名なスポーツ イベントの 1 つでだれがメダルを獲得するかを予測する際に、基本的な物理的特性が果たす役割について説明します。 最後に、ダンス、体操、キャリステニクスを組み合わせた、近年競技に追加された新体操について扱いたいと思います。 年齢、身長、体重といった基本的な特性が果たす役割は限られており、機敏性、柔軟性、機敏性、器用さ、協調性などを考慮に入れる必要があると思われるかもしれません。 より高度な機械学習モデルを使用して、これらの基本的な要因が実際にどれだけ重要か確認してみましょう。
[前提条件]
- 機械学習モデルに関する知識
学習の目的
このモジュールでは、次のことを行います。
- 新しいモデル タイプ (決定木とランダム フォレスト) を発見します。
- モデル アーキテクチャがパフォーマンスに与える影響について学習します。
- トレーニングの有効性を向上させるためにハイパーパラメーターの操作を練習します。