教師あり学習

入力データと正解ラベル（教師データ）の組を使ってモデルを学習させる機械学習の手法。分類や回帰などの予測問題に用いられ、迷惑メール判定や画像認識などに応用される。

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。

入力データと正解ラベルのペアから学習する手法。回帰（数値予測）と分類（カテゴリ分け）に大別される。線形回帰、ロジスティック回帰、決定木、サポートベクトルマシン、ニューラルネットワークなどが代表的なアルゴリズム。

正解ラベルを付けた訓練データから、入力と出力の対応関係を学習する方式。分類や数値予測に用いられ、ラベル付けの品質が精度を大きく左右する。

入力データと正解（ラベル）の組を大量に学習させ、未知のデータに対する正解を予測するモデルを作る機械学習の手法。数値を予測する回帰と、所属するクラスを判定する分類があり、売上予測、り患予測、成約予測、離反予測などに使われる。正解付きのデータを用意する費用と、その品質が精度を左右する。

教師なし学習の代表的な手法で、正解ラベルのないデータを、特徴の似たもの同士が同じグループ（クラスタ）になるように分けること。k-means法のような非階層的手法と、データを順に併合して樹形図（デンドログラム）を作る階層的手法があり、顧客の分類や異常の発見などに使われる。

教師あり学習で扱う問題の一つで、入力データから売上高や気温などの連続的な数値を予測すること。線形回帰、決定木、ニューラルネットワークなどの手法が使われ、予測値と正解値の誤差（平均二乗誤差など）でモデルを評価する。カテゴリを予測する分類と対比される。

教師あり学習で扱う問題の一つで、入力データがあらかじめ決められたどのカテゴリ（クラス）に属するかを予測すること。迷惑メールの判定や画像に写った物体の識別などが例で、ロジスティック回帰、決定木、サポートベクトルマシンなどの手法が使われ、正解率、適合率、再現率などで評価する。

目的変数を、説明変数の一次式（重み付きの和と定数）で表して予測する回帰の手法で、予測値と実測値の誤差の二乗和が最小になるように係数を求める（最小二乗法）。説明変数が1つの単回帰と、複数の重回帰がある。単純で解釈しやすいが、非線形の関係は表現できない。

説明変数の一次式をシグモイド関数で0から1の値に変換し、ある事象が起きる確率を予測する手法。名前に回帰とあるが、主に購入するか否か、合格か不合格かといった2値の分類に使われ、確率がしきい値を超えるかでクラスを判定する。係数から各変数の影響の大きさを解釈しやすい。

多数の特徴量（次元）を持つデータを、元の情報をできるだけ保ちながら、より少ない次元のデータに変換すること。計算量の削減、過学習の抑制、2次元や3次元での可視化に役立つ。代表的な手法として主成分分析（PCA）があり、教師なし学習に分類される。