みなさま、こんばんわ🌜

大阪は台風一過で、やっと穏やかな天候が戻ってきました😃

1	Python 3年生機械学習 5日目

本日は『Python 3年生機械学習のしくみ』という本の5日目の学習日でした。

本日は「4章機械学習のいろいろなアルゴリズム」の「分類：ランダムフォレスト」から学習をスタートさせました。

2	分類：ランダムフォレスト

「ランダムフォレスト」は、決定木をたくさん作って、多数決で予測をする、精度の高いアルゴリズムです。

決定木の予測精度をもっと上げるために考えられました。

決定木のデータをそのまま使って、ランダムフォレストを試してみました。

正解率が100％で、精度の高い分類ができているのがわかります。

3	分類：k-NN（k近傍法）

「k-NN（k近傍法）」は、近くにあるデータは仲間という考え方で、調べたい値の近くにあるデータを調べて、何の仲間かを予測するアルゴリズムです。

k-NN（k近傍法）を試してみました👆👆👆

こちらも正解率が100％になっていて、精度の高い分類法だとわかりますね😃

4	クラスタリング：k-means（k平均法）

「k-means（k平均法）」も「k-NN（k近傍法）」と同じく、近くあるデータは仲間という考え方を使ったアルゴリズムです。

「k-NN（k近傍法）」との最大の違いは、「k-means（k平均法）」が 教師なし学習 という点です。

答えはわからないけど、答えを見つける方法は知っているから、グループ分けをすることができるそうです。

k-NN（k近傍法）のデータを利用して、k-means（k平均法）を試してみました。

答えのデータを渡さないので、コードが k-NN（k近傍法）よりもさらに簡素になっています。

警告が出ていますが、ChatGPT で調べても今は意味がわからないので、先に進みます😅

5	画像から数字を予測する

今度は画像から数字を予測するプログラムを作ります。

0～9の数字の特徴を、コンピュータが理解しやすいようにスライスしたのがこちらの図です👆👆👆

コンピュータは全体像から雰囲気を把握するのではなく、細切れにして理解するみたいですね😃

データを生成したり、計算をしたりした後、「4」の数字の画像を渡すと、コンピュータはちゃんと「4」だと予測できました。

「Python 1年生」の学習から1ヵ月と10日経ちました。

先月に「Python 1年生」を勉強した時よりも、少しだけ人工知能について理解が深まったような気がしています🙂

今日はここまで❗

最後までお読みいただき、ありがとうございました😄

また来てね～😄👋

Python 3年生 機械学習 ⑤

Python 3年生機械学習 ⑤