3.4.3 t-SNEを用いた多様体学習 結果
1章 IoTの登場人物 省略 2章 電子工作への第一歩 SWITCHSCIENCE社のESP32開発ボードを購入 ピンヘッダの半田付け完了 ARduinoをinstall version = 1.8.9 ESP32ボード情報設定完了 通常USBケーブルを接続するとUSBシリアルドライバが 自動installされるはずで…
3.4.1.2 固有顔による特徴量抽出 結果 3.4.2 非負値行列因子分解（NMF） 3.4.2.1 NMFの合成データへの適用 結果
3.4.1.2 固有顔による特徴量抽出 結果 23%の的中率 データをPCAにかけてから分類させてみる 結果 31%に向上
3.4.1.2 固有顔による特徴量抽出 結果
3.4.1.1 cancer データセットのPCAによる可視化 結果 3.4.1.2 固有顔による特徴量抽出 結果
3.4.1.1 cancerデータセットのPCAによる可視化 結果 30次元から2次元に削減されている 描画した結果
3.4 次元削減、特徴量抽出、多様体学習 3.4.1.1 cancerデータセットのPCAによる可視化 結果、よくわからない
教師あり学習における前処理の効果 結果 ちゃんと前処理をすると 結果 正規分布で前処理 結果
3章 教師なし学習と前処理 3.1 教師なし学習 結果 3.3.2 データ変換の適用 結果、75%と25%に分割 minmaxに変換 結果 変換した結果
2.3.7.5 SVMのためのデータの前処理 結果 2.3.8 ニューラルネットワーク（ディープラーニング） ニューラルネットワークのチューニング 隠れ層 100個 結果 隠れ層を減らして10個にしたパターン 結果なめらかさはなくなったようです。 10個ユニットの隠れ層を…
2.3.7.5 SVMのためのデータの前処理 結果 要素数が30個になっているのは特徴量が30なので cancer.data.shape = (569,30)
2.3.7.4 SVMパラメータの調整 結果
2.3.7.3 SVMを理解する 結果
2.3.7.1 線形モデルと非線形特徴量 結果 feature1 ** 2を特徴量として追加する。3次元となる。 結果 線形決定境界を描く 結果
2.3.6.2 勾配ブースティング回帰木 データはmake_moonsのままで 結果
2.3.6 決定木のアンサンブル法 結果 n_estimatorsパラメータ（作る決定木の数）を２倍の10にしてみる n_estimatorsパラメータ（作る決定木の数）をさらに10倍の100にしてみる 境界線が細かくなった。あと目に見えて時間がかかった。
2.3.5.3 決定木の解析 dotファイルが作成される。dotファイルを表示させるアプリがないのでdotファイルをエディタで表示させてみる 2.3.5.4 決定木の特徴量の重要性 結果、0が多く使われていない特徴量もあるようだ。特徴量の係数の合計も約1.0である。
2.3.3.6 線形モデルによる多クラス分類 結果 その配列の中身 その結果をプロット 2.3.5 決定木 結果、過剰適合 探索深さを制限(max_depth=4) デフォルトはNone、Noneの場合、すべてのリーフが純粋になるまで、ノードが展開されます。 テストの精度があがった…
2.3.3.5 クラス分類のための線形モデル 結果 2.3.3.6 線形モデルによる多クラス分類 結果
2.3.3 線形モデル 2.3.3.2 線形回帰（通常最小二乗法） 結果 ボストンの住宅価格データセットにも適用 切片は１つだけだが、傾きは特徴量104と同じだけ生成される 2.3.3.3 リッジ回帰 同じ線形回帰であるが過剰適合を防ぐためL2正規化をかけてある。 データ…
KNeighborsClassifierの解析 最近傍点数を増やすと精度（訓練、テスト）がどう変わるか。 増やしすぎても減らしすぎても良くない。問題によって最適点数があるもよう 20まで増やした結果、10を超えたあたりから変化がなくなる 2.3.2.3 k-近傍回帰 make_wave…
1.7.4 最初のモデル：k-最近傍法 結果 logger処理を追加 結果 精度を測定 結果 2章 教師あり学習 2.3.2 k-最近傍法 2.3.2.1 k-最近傍法によるクラス分類 結果 2.3.2.2 KNeighborsClassifierの解析 結果
1章 はじめに 1.7 最初のアプリケーション 最初にpip でmglearnをinstallする必要がある。 version 0.1.7が入った。 githubのここで公開されている github.com いろいろと便利なメソッドが実装されている。 colabにinstallされているライブラリのバージョン…
2.1 全記事の形態素解析 2.2 単語文章行列の作成 高頻度、低頻度単語のカット 2.3 TF-IDFによる重み付け 3.4 単語の数値化 4.2 単語文書行列の作成
7章 自然言語データの前処理 1.3 Janomeを使った形態解析 形態素解析の結果 1.4 テキストの正規化 1.5 単語を品詞で抽出 単語の出現回数をカウント
2.2 欠損値の補完 前行で補完 前後の行で補完 2.4 特徴量の作成・その１ 6時間単位の平均 6時間単位の標準偏差 2.5 目的変数の作成 特徴量は各パラメータ(電力とか温度、湿度)の平均・標準偏差とする。６時間単位 目的変数はevent.csvから作る 特徴量行列と…
6章 時系列データの前処理 1.2 データの読み込みと確認 時間差の計算 経過時間の計算 1時間に集約 統計値の計算 データの可視化
3.3 画像の反転 オリジナル 上下反転 左右反転 上下・左右反転 3.4 画像の平滑化 平均化 ガウシアン 中央値 3.5 画像の明度変更
2.5 t-SNEによる次元圧縮
