交差検証

データをk個に分け、1つを検証用、残りを学習用にしてモデルを評価する操作を、検証用を入れ替えながらk回繰り返し、その平均で性能を見積もる手法（k分割交差検証）。1回だけ分けるホールドアウト検証より評価が分け方に左右されにくく、データが少ない場合にも使える。時系列データでは未来のデータで学習しないよう、時間順に分ける必要がある。

手元のデータをk個のグループに分け、そのうち1つを評価用、残りを学習用としてモデルを学習・評価することを、評価用のグループを入れ替えながらk回繰り返し、結果を平均してモデルの汎化性能を評価する方法（k分割交差検証）。1回だけ分けるホールドアウト検証より、評価のばらつきが小さい。

コンピュータがデータから規則性やパターンを自動的に学習し、予測や分類を行う技術の総称。教師あり学習、教師なし学習、強化学習の3つに大別される。AIの中核技術の一つ。

入力データと正解ラベルのペアを学習データとして与え、未知のデータに対する予測モデルを構築する機械学習手法。回帰（数値予測）と分類（カテゴリ予測）に大別される。

正解ラベルのないデータからパターンや構造を自動的に発見する機械学習手法。クラスタリング（データの分類）や次元削減が代表的なタスク。顧客セグメンテーションなどに応用される。

エージェントが環境と相互作用しながら、報酬を最大化する行動方策を学習する機械学習手法。試行錯誤を通じて最適な行動を学ぶ。ゲームAIやロボット制御に応用される。

データの特徴量や条件に基づいて分岐を木構造で表現し、分類・回帰・意思決定を行う手法。結果の解釈が容易で可視化しやすい。機械学習ではランダムフォレストの基礎となり、意思決定分析では期待値やリスクの評価に用いられる。

複数の決定木を組み合わせて予測精度を向上させるアンサンブル学習手法。各決定木はデータと特徴量をランダムに抽出して構築し、多数決や平均で最終予測を行う。過学習に強い特徴を持つ。