教師なし学習

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の手法。クラスタリング（グループ分け）や次元削減などに利用される。

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。

正解ラベルのないデータから構造やパターンを発見する手法。クラスタリング（k-means法など）や次元削減（主成分分析など）が代表的。データの潜在的なグループ分けや特徴抽出に用いられる。

正解ラベルを与えず、データの構造や類似性からグループ分けや特徴抽出を行う方式。顧客のセグメント発見など、知識発見の目的で用いられる。

正解のラベルを与えずに、データの類似性や構造から規則性を見つけ出す機械学習の手法。似たデータをまとめるクラスタリングや、変数を要約する次元削減があり、顧客セグメンテーションや店舗のクラスタリングなどのグルーピングに使われる。得られたグループの意味は人間が解釈する必要がある。

教師あり学習の課題の一つで、入力データがあらかじめ決められたカテゴリ（クラス）のどれに当た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あり、決定木、ロジスティック回帰、サポートベクトルマシンなどの手法が使われる。

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。

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。

データを特徴量の条件で繰り返し分岐させた木構造のモデルで、分類や回帰を行う機械学習の手法。分岐の基準にはジニ不純度や情報利得（エントロピーの減少）を使う。判断の過程が分かりやすく説明性が高いが、過学習しやすいため、ランダムフォレストなどのアンサンブル学習の基礎として使われる。

データをあらかじめ決めたk個のクラスタに分ける非階層的なクラスタリングの手法。k個の中心点を仮に置き、各データを最も近い中心点のクラスタに割り当てては、各クラスタの重心に中心点を移す処理を、変化がなくなるまで繰り返す。kの値と初期の中心点の選び方で結果が変わる。

アソシエーション分析で、ルールの有効性を表す指標。「Aを買った人がBも買う確率（信頼度）」を「全体の中でBが買われる確率」で割って求める。1より大きければAとBは一緒に起こりやすく、1なら互いに無関係（独立）、1未満なら一緒に起こりにくいことを示す。