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、それに対応する正解（ラベル）の組を大量に与えて、入力から正解を予測する規則をモデルに学習させる機械学習の手法。数値を予測する回帰と、カテゴリを予測する分類が代表的で、正解ラベルを付けたデータの準備に手間がかかる。

教師あり学習の課題のうち、売上高や価格のような連続した数値を予測するもの。線形回帰、決定木、ニューラルネットワークなどのモデルを使い、予測の誤差をRMSEやMAE、当てはまりのよさを決定係数で評価する。カテゴリを予測する分類と並ぶ、教師あり学習の基本的な課題の種類である。

教師あり学習の課題のうち、入力がどのカテゴリ（クラス）に属するかを予測するもの。迷惑メールか否かのような2クラス分類と、3つ以上のクラスから選ぶ多クラス分類がある。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を使い、正解率、適合率、再現率、F値、AUCで評価する。

目的変数を、説明変数（特徴量）に重みを掛けて足し合わせた1次式（と切片）で予測する回帰のモデル。予測値と実測値の誤差の二乗和を最小にする最小二乗法で重みを求め、説明変数が1つなら単回帰、複数なら重回帰に当たる。重みから各特徴量の影響を解釈しやすい反面、非線形の関係は表せず、過学習を抑えるためにL2正則化（リッジ回帰）やL1正則化（ラッソ回帰）を加えることがある。

分類モデルの評価指標の一つで、全データのうち予測が正解と一致した割合。混同行列では（TP＋TN）÷（TP＋TN＋FP＋FN）で求める。直感的に分かりやすいが、陽性が1%しかないデータでは全件を陰性と予測しても99%になるように、クラスの偏ったデータでは性能を正しく表さないので、適合率や再現率と併せて見る。

クラスを分ける境界（超平面）を、境界に最も近いデータ（サポートベクトル）との距離であるマージンが最大になるように決める教師あり学習のモデル。マージン最大化により汎化性能が高い。誤分類をある程度許すソフトマージンと、カーネル法による非線形な境界の学習が可能で、分類のほか回帰にも使える。

ROC曲線の下側の面積で、分類モデルの性能をしきい値によらずに表す評価指標。0から1の値をとり、1に近いほどよく0.5はランダムな予測に当たり、無作為に選んだ陽性のデータに、陰性のデータより高いスコアを付ける確率と解釈できる。陽性が極めて少ないデータでは、PR曲線の下の面積も併せて見る。