Ridge-i インターンシッププログラム 人工知能・機械学習（AI/ML）基礎講座 第7話 機械学習のパイプライン（線形識別を例に） Chief Research Officer 牛久 祥孝

機械学習のパイプライン • 特徴量計算（人が設計）＋識別器学習（機械が学習） • 本章では以降つぎのトピックについて解説する – 特徴量抽出理論 – 機械学習のその他の展開 = () Cat Camera 特徴量 計算 識別器 学習 Cat Camera

線形識別＝超平面 カメラとネコを分類するAI →（一例として）教師あり学習による線形識別 • 線形分類とも呼ばれる • カメラの特徴量とネコの特徴量の間の超平面（2次元空間上では直 線）を見つける 3 = () Cat Camera 特徴量 計算 識別器 学習 Cat Camera

線形識別＝超平面 4 Cat Camera この線分の符号つき長さ： ⋅ 原点と直線の符号つき距離：とおく

線形識別＝超平面 5 Cat Camera この線分の符号つき長さ： ⋅ 原点と直線の符号つき距離：とおく ピンクの線分が原点と直線の距離より大きい→ネコ それ以外→カメラ （ちょうど同じときの判断は設計の自由）

線形識別＝超平面 6 Cat Camera この線分の符号つき長さ： ⋅ 原点と直線の符号つき距離：とおく ピンクの線分が原点と直線の距離より大きい→ネコ それ以外→カメラ （ちょうど同じときの判断は設計の自由） ⋅ > ′ = − なるを置くと ⋅ + > 0 つまり = = ⋅ +

を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 識別則がパラメータと特徴量の内積だけ！シンプル！ …でもを′に変えるのはどういう意味？ 7

を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 8

を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 9 𝒙

を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 10 1 𝒙

を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 11 1 𝒙 𝒘

を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 12 1 𝒙 𝒘 を「浮かせた」′は… 原点を通る超平面𝒘で 分けられる様になる！

（線形な）機械学習＝超平面/直線の冒険 分類：クラスが異なる特徴量を分けられる超平面※を探す 13 Cat Camera ※直線なのは特徴量空間が2次元の場合

（線形な）機械学習＝超平面/直線の冒険 回帰：直線上での座標が指定された値になる直線を探す 14 体重 身長 体重＝ ⋅ 身長 + 定数

（線形な）機械学習＝超平面/直線の冒険 ランク学習：直線上での座標の大小関係が指定された関係に なる直線を探す 15 ネコの毛の長さと毛の密度から ネコのモフモフ度を推定させたい！ 回帰として学習できる？ →「モフモフ度」を絶対評価で採点しなければならない それぞれのモフモフ度は何点？ 絶対評価が困難でも… 相対評価なら可能なのでは？

（線形な）機械学習＝超平面/直線の冒険 ランク学習：直線上での座標の大小関係が指定された関係に なる直線を探す 16 毛の長さ 毛の密度 モフモフ度 この軸の上では > 左の画像がよりモフモフ この軸の上では > 左の画像がよりモフモフ

なお深層学習では • 特徴量計算＋識別器学習（両方とも機械が学習） • 深層学習では – End-to-end学習（特徴量抽出と識別器の学習を同時に実行） – 事前学習/追加学習（特徴量抽出の学習と識別器の学習が別） = () Cat Camera 特徴量 計算 識別器 学習 Cat Camera