| アプローチ | 概要と長所 | |
|---|---|---|
| 線形分類器 | 線形分離分析 （LDA：Linear Discriminant Analysis） |
20世紀前半に考案された方法。 クラス内外の分散の関係から線形な境界を探し出す。 |
| ロジスティック回帰 （Logistic Regression） |
二値分類問題で非常によく使われる。 リッジ、ロッソなどの正則化項を加えられることが多い。 |
|
| カーネル法 |
サポートベクターマシン （SVM：Support Vector Machine） |
カーネル関数の選択によって性質が大きく変わる。 よく利用されるRBFカーネル曲線的な二値分類問題が得意。 さまざまな分野の分類・予測に利用される。 |
| ツリー構造 |
CART決定木 （Classification And Regression Trees） |
対象のさまざまな観点による分類を（樹木の枝分かれのように）繰り返す方法。 AIの古典的方法だがさまざまな工夫が施されている。 |
|
ランダムフォレスト （Random Forest） |
決定木をたくさん集めたアンサンブル学習。 さまざまなメリットがある。（過学習しにくい、データの正規化の必要がない、混合データに対応、少ない学習データに対応、変数重要度を把握できる） 多値分類も得意。 |
|
|
勾配ブースティング （Gradient Boosting） |
ランダムフォレストに似たアンサンブル学習。 学習データにより強くフィットさせる方法がとられていて分類能力は向上。 |
|
| ディープラーニング |
畳み込みニューラルネットワーク （CNN：Convolutional Neural Network） |
画像認識などの定番として利用されるディープラーニング。 さまざまな用途に利用される。＜br＞ ResNetなどの発展形がある。 |
|
回帰型ニューラルネットワーク （RNN：Recurrent neural network） |
自然言語解析などでよく使われる。 長・短期記憶（LSTM）やゲート付き（GRU）など、いくつかの発展形がある。 |
|
| その他の教師あり型 |
k-近傍法 (k-NN: k-Nearest Neighbor) |
k個の近傍を調べることによって分類する方法。 シンプルな割に性能がよいアプローチ。 学習の必要がない。 |
| クラスタリング |
ｋ-平均法 （k-Means Clustering） |
与えられたデータをｋ個の領域に分類するシンプルな分類方法。 k個の中心値（center）を探し出し、どの中心に一番近いかによって分類する。 |
|
階層的クラスタリング (Hierarchical Clustering) |
階層的なクラスタをつくる。 「距離」の定義にいくつかの方法がある。 |