トップページ
＞
＞
カテゴリ： データ解析
外れ値・異常サンプルの検出方法と、その診断の方法～検出に比べて診断は難しい～
モデルの逆解析の難しさ～１週間の献立自動提案システムを例にして～
スケーリングを行わない３つのケース
主成分分析(Principal Component Analysis, PCA)で計算できる主成分の数が少ない？～センタリングをすると自由度が一つ減るので注意です～
サンプリングを理解するためのたった１つのコツ～すべての基本は正規乱数をたくさん発生させること～
あなたはサポートベクターマシン・回帰 (Support Vector Machine or Regression, SVM or SVR) におけるハイパーパラメータの設定に時間がかかっていませんか？
回帰モデル・クラス分類モデルの精度とモデルの適用領域の広さはトレードオフの関係、アンサンブル学習を活用してその関係を乗り越えろ！
あなたはコンピュータのメリット・デメリットを知っていますか？～人間と比べたコンピュータの７つの特徴～
0ではないけど分散が小さいから、という理由だけで変数を削除してはいけない～同じ値をもつサンプルのの割合で削除しよう～
Leave-one-outクロスバリデーションの２つのデメリット、からの解決方法
PCA・PLSで変数間の多重共線性に対処できますが、モデルの精度が上がったのではありません
どこまでいけば「機械学習・データマイニングの手法をわかった」といえるのか、目的ごとに３段階に分けてみました
決定係数(r2)は同じデータセットの間で比較しよう！～r2はデータのばらつきの影響を受けてしまう～
変数選択(特徴量選択・波長選択)の２つのメリット・２つのデメリット
モデルの逆解析をするときに注意すべきたった１つのこと
回帰モデル・クラス分類モデルを運用するときに重要な２つのこと
あなたは独立成分分析(Independent Component Analysis, ICA)を活用できてますか？～ICAの応用例・活用術～
相関係数の大きい説明変数(記述子・特徴量・入力変数)の組み合わせの一方を削除するってどっち消せばいいの？
あなたは、見える化手法・可視化手法の性能をどう評価してますか？～近いサンプルの中点を使いましょう！～
データの見える化・可視化ってどういうこと？～具体例・イメージ、注意すべき点～
SVM・SVRのハイパーパラメータの値の候補はどうして2のべき乗・累乗なのか？
データ数(サンプル数)が多すぎてデータ解析(分析)するとき時間がかかってどうしようもない！～Kennard-Stone(KS) アルゴリズムによるサンプル選択のススメ～
あなたは、アンサンブル学習におけるモデルの重みを適切に決めることで精度が向上するって知ってましたか？
アンサンブル学習における、たった１つのデメリット・欠点 (回帰分析・クラス分類)
アンサンブル学習の２つのメリット・利点(回帰分析・クラス分類)
変数間の線形性・非線形性およびノイズの大きさを考える上で重要なたった２つのこと
PCA, ICA, PLS, CCA, LDAの違い～線形の潜在変数モデルとしての差異～
適当に描いてはダメ！実測値と推定値との正式なプロットを描くときの３つの注意点
