[PYTHON] L'apprentissage automatique peut-il prédire les quadrilatères parallèles? (2) Que se passe-t-il quand un externe est inséré alors qu'il ressemble à une insertion interne? ??

Article précédent L'apprentissage automatique peut-il prédire les quadrilatères parallèles? (1) Peut-il être inséré à l'extérieur?

Je pensais avoir écrit l'article précédent, mais je n'ai pas écrit beaucoup de technique de programmation. Cependant, comme il est calculé par pyhton, la balise est définie sur python. Beaucoup de gens apprennent des machines avec python, donc poster sur qiita est bien, n'est-ce pas? .. .. Ce calcul est fait avec scikit-learn.

Eh bien, dans l'article précédent, j'ai trouvé que l'extrapolation n'était pas possible. Alors qu'en est-il des problèmes suivants?

Question 3: Est-il possible d'apprendre avec des valeurs petites et grandes et de faire des prédictions entre-temps?

sihenkei.JPG

Angle c
Pour apprendre 0~50 and 1000~1100 0~100 0~90
interpolation? Extrapolation? 150~900 50 45

C'est une question simple. Est-il possible de prédire la longueur a de la base de 0 à 50 et de 1000 à 1100, et de prédire entre 150 et 900?

Le lasso pour la régression linéaire est probablement prévisible. Mais qu'en est-il des forêts aléatoires et des réseaux de neurones? Avec cet ensemble de données, je me demande si je peux prédire de 0 à 1100. Les données réelles semblent avoir un tel exemple.

Le résultat. Tout d'abord, le coefficient de détermination et le graphique du résultat d'apprentissage.

Coefficient de décision Apprentissage tester
Régression au lasso 0.686 0.661
Forêt aléatoire 0.999 0.975
réseau neuronal 0.997 0.997

Lasso lasso.png Forêt aléatoire random.png réseau neuronal mlp.png La valeur de la base a est définie sur une petite valeur et une grande valeur, mais comme b et l'angle c sont créés de manière aléatoire, la surface de la zone semble être connectée.

En regardant les graphiques, je ne sais pas pourquoi les deux valeurs aberrantes de la forêt aléatoire sont sorties, mais en regardant ces graphiques et le facteur de décision, je pense que je n'ai pas besoin de choisir Lasso et la forêt aléatoire. Le meilleur! Le meilleur réseau de neurones! c'est ce que je pense.

Alors, que se passe-t-il si vous prédisez la valeur tout en apprenant à la base a? est. Jetons un coup d'œil au graphique pour le moment. Lasso lasso_gaisou.png Forêt aléatoire random_gaisou.png réseau neuronal mlp_gaisou.png

J'ai mis la valeur numérique de la base a lors de l'apprentissage, mais le réseau de neurones est totalement inutile. En regardant cela, il est dangereux de prédire la régression dans l'apprentissage profond à moins qu'elle ne soit prédite par l'insertion interne. Tout comme Random Forest. Il est nécessaire d'identifier fermement les insertions internes et externes.

Comme vous pouvez le voir, Lasso peut prédire avec des valeurs proches. S'il y a un risque d'extrapolation, la régression linéaire peut être un bon choix.

Conclusion

Arrêtons de prédire l'extrapolation avec l'apprentissage automatique. Une attention particulière doit être portée à l'insertion externe, qui ressemble à une insertion interne. Si vous pensez que vous prévoyez une extrapolation dans un instant, faites l'hypothèse qu'elle est linéaire et faites de votre mieux avec la régression linéaire.

Il se peut que.

Ensuite, considérons la conception du descripteur.

Recommended Posts

L'apprentissage automatique peut-il prédire les quadrilatères parallèles? (2) Que se passe-t-il quand un externe est inséré alors qu'il ressemble à une insertion interne? ??
L'apprentissage automatique peut-il prédire les quadrilatères parallèles? (1) Peut-il être inséré à l'extérieur?
Qu'est-ce que l'apprentissage automatique?