機械学習一般のライブラリやツールは次のページにまとめています。

導入

参考:

scikit-learn で SVM を実装する | NEXMAG

SVM (Support Vector Machine)

参考:

SVM とは?scikit-learn を使って SVM でクラス分類する方法を解説 | AI研究所

Support Vector Machines | scikit-learn Documentation [Official]

主成分分析/次元削減 (PCA)

Dimensionality Reduction

(出典scikit-learn

svd_solver
  • auto自動的にアルゴリズムを選択する。(デフォルト)
  • fullStandard LAPACK Solver
  • arpackARPACK Solver
  • randomizedRandomized SVD (Halko et al.)

参考:

PCA/主成分分析/次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

Kernel PCA/次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

Spectral Embedding/次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

Isomap/次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

Locally Linear Embedding/次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

sklearn の PCA で svd_solver による速度差を比較 | 静かなる名辞

Decomposing Signals in Components (Matrix Factorization Problems) | scikit-learn Documentation [Official]

sklearn.decomposition.PCA | scikit-learn Documentation [Official]

確率的勾配降下法 (Stochastic Gradient Descent / SGD)

参考:

SGD/クラス分類 | 機械学習、AI、ディープラーニングのプログラミングを解説

Stochastic Gradient Descent | scikit-learn Documentation [Official]

sklearn.linear_model.SGDClassifier | scikit-learn Documentation [Official]

記事をシェアする:
タグ:

コメントを残す

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です