せきたつ＠個人開発

音楽×AIで、創る人を支えるプロダクトを開発中🎸 Webエンジニア13年 機械学習/AI駆動開発 #個人開発 #作曲 #AIツール #ギター

[せきたつ＠個人開発 @sekitats]

ギターの指板をゲームで覚えるアプリを作ってみた🎸（開発中）

#個人開発

[せきたつ＠個人開発 @sekitats]

https://t.co/XJPaehuv7W

[せきたつ＠個人開発 @sekitats]

https://t.co/OfYcFfS64S
久しぶりに記事書いた

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 19. Precision, Recall, F1】
#AI豆知識
#機械学習入門

ガンの診断をAIで行うとしましょう。
診断結果には以下の4通りの可能性があります：

TP（True Positive）：正しくガンと診断した
FP（False Positive）：ガンじゃないのにガンと診断した（誤診）
FN（False Negative）：ガンなのに見逃した
TN（True Negative）：正しくガンじゃないと診断した

Precision, Recall とはモデルの性能を表す指標。ただし、「分母が何を基準にしているか」が異なります。

・Precision（適合率）

Precision = TP / (TP + FP)
ガンと診断された人（本当にガン＋誤診）の中で、本当にガンだった人の割合

・Recall（再現率）

Recall = TP / (TP + FN)
本当にガンだった人（本当にガン＋見逃し）の中で、AIがちゃんと見つけた割合

・F1スコア
Precision と Recall のバ��ンスを見る指標
「F」は "F-measure"（F尺度） の「F」です

誰でもガンと診断すれば Recall 100%（見逃しゼロ）になるが、Precision は誤診だらけ。逆に確信がある時だけガンと診断すれば誤診ゼロにできるが、見逃しだらけ。
どちらも大事だから、バランス見ようというのが F1スコアです。

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 18. Accuracyと決定係数】
#AI豆知識

「Accuracy」と「決定係数」はAIの精度を評価する指標です。

・Accuracy（正解率）
→ 分類問題で使用。「100問中、何問正解？」を表す
例：犬か猫かを100枚の画像で判定して、80枚正解なら Accuracy＝80%

・決定係数（R²）
→ 回帰問題で使用��「どれくらい予測がピッタリか」を表す
例：家賃の予測値と実際の家賃がどれだけズレているか

1に近いほど良い予測（最高1、最低はマイナス∞）

モデルの性能を評価する指標は、分類はAccuracy、回帰は決定係数（R²）です

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 17. 特徴量エンジニアリング】
#AI豆知識

特徴量エンジニアリングとはモデルが学びやすいように、入力データを工夫・加工すること

例えば、年齢を連続した数値データから人を属性で分類するマーケティングの手法（セグメンテーション）でカテゴリに変換する。

F1層=20～34歳の女性
M2層＝35～49歳の男性

これはまさに特徴量エンジニアリングの考え方に近いです。

現在あるデータを使いAIに「考えさせる前に、気づかせる」。こうすることで、ターゲット層ごとの傾向を学びやすくなります。

[O'Reilly Japan @oreilly_japan]

【5月16日発売】最新刊プレゼントキャンペーン
➡️下記書籍を抽選で3名様にプレゼント🎁
✅応募方法
❶当アカウントをフォロー
❷このポストをリポスト
応募締切5月22日まで／当選連絡DM📩

『LLMのプロンプトエンジニアリング』
https://t.co/bPDZKmtOHE

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 12. アヤメの分類 】
#AI豆知識

アヤメは花の名前。アヤメ（iris）の品種の分類は機械学習の有名な題材の一つ

アヤメの画像から、アヤメの品種、setosa（日本名：ヒオウギアヤメ）, versicolor（ブルーフラッグ）, virginica（ヴァージニカ）を分類する

花びらが短かったら setosa。
setosa より 花びらが長く、virginica ほど太くない中間的な存在であれば versicolor。
花びらが長くて太い豪華な印象であれば virginica。

モデルの作成��集中するあまり、ほとんど人がアヤメの品種に興味を持たない

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 15. ロジスティック回帰】
#AI豆知識

ある事象の発生確率やカテゴリに属する確率を予測します。

回帰と名前がつくが、分類アルゴリズムに使用されることが多い。

シグモイド関数を使用し、0〜1の数値に変換。
0.5以上なら "Yes" 、0.5 未満だったら "No" のような2値分類に強い。

ロジスティックとロジスティクス（=物流）は関係ない

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 14. ホールドアウト法/交差検証】
#AI豆知識

ホールドアウト法は、データを 7:3 や 8:2 に分けて、「訓練用」と「テスト用」に1回だけ分割して使う方法。

交差検証（k-分割交差検証）は、広義ではホールドアウト法の一種。
「訓練用データ」をさらにk分割し、毎回1つを検証用、残りを訓練用にしてk回学習します。

例：4分割の場合

| 訓練 | 訓練 | 訓練 | 検証 |
| 訓練 | 訓練 | 検証 | 訓練 |
| 訓練 | 検証 | 訓練 | 訓練 |
| 検証 | 訓練 | 訓練 | 訓練 |

なぜ交差検証が必要かというと、過学習の兆候を検出できるからです。データが少ない場合は特に有効です。

正常な学習：訓練ロスも検証ロスも一緒に減っていく
過学習：訓練ロスは下がるのに、検証ロスは途中から上がる

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 13. 多重共線性】
#AI豆知識

多重共線性とは、重回帰分析において、
相関の強い特徴量が2つ以上含まれている状態のことです。
これにより学習が不安定になりやすくなります。

例えば、家賃予測では「面積（㎡）」と「部屋の広さ（帖）」はほぼ同じ情報を別の尺度で表しており強い相関があります。

対策は2つ：

・相関の強い特徴量を除去する

・多重共線性に強いアルゴリズムを使う（例：PLS, Lasso回帰 など）

モデルは似た変数を別物として学習するため、人間がよく考えて変数を選ぶことが大切です。

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 12. 正則化】
#AI豆知識

過学習とは訓練データに適合し過ぎて、未知のデータに弱くなることでした。

過学習を抑えるには交差検証、早期終了、ドロップアウトなどがあり、正則化もそのテクニックの一つ。

正則化はRidge回帰、Lasso回帰がよく使われ、重みが大きくなり過ぎないようにペナルティを与える仕組みです

勉強ばかりしてないでたまに遊べってことです

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 11. 目的関数と損失関数】
#AI豆知識

目的関数とはモデルの出力（予測値）と正解（目標値）とのズレ＝損失を数値化した関数であり、それを最小化することが目的の関数。

「目的関数」と「損失関数」は本質的にはほぼ同じものを指しますが、使う文脈によって呼び分けられます。

損失関数はMSE（平均二乗誤差）、交差エントロピーといった予測と正解のズレを数値化する具体を指します。

目的関数とは損失関数と正則化などを含めた学習全体で最小化を目的とします。

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 10. 非線形回帰】
#AI豆知識


データを曲線や複雑なパターンで表現するのが非線形回帰
高精度な予測ができる一方、解釈性（人間が理解しやすいか）は低め

代表的な非線形モデル：

・決定木
→ データを条件で分割しながら予測。解釈性は高い

・ランダムフォレスト
→ 多数の決定木を使ったアンサンブル（複数のモデルを組み合わせること）学習。解釈性は低い

・ニューラルネットワーク
→ 複雑なパターンも学習可能。画像や音声など高次元にも強い。大量データが必要でブラックボックス化しやすい

・カーネルSVM（非線形サポートベクトルマシン）
→ 「線形���分けられないデータ」を高次元に写して分離。大規模データに不向きでパラメータ調整が難しい

用途に応じて使い分けるのがポイントです

[せきたつ＠個人開発 @sekitats]

【今日のAI豆知識 9. 線形回帰】
#AI豆知識

線形回帰はデータの関係を一本の直線表す。

例えば、気温とアイスの売り上げ予測など。

しかし、世の中の現象を一本の直線で表せるほど単純ではない。

さらに、説明変数が増えるほど、過学習のリスクが高まる。（その場合は、Ridge回帰やLasso回帰のような正則化の手法が有効になる。）

線形回帰はシンプルで解釈がしやすい反面、データによってはうまく表現しきれない。

では、どんな時に使うのか。

予測モデル���して使うよりも、データの関係性を「説明」「解釈」するために使う。

何が売上に効いているのか？ どの要因が成績に影響を与えているのか？ など、ざっくり傾向を掴みたい時に最適。

精度の高い予測が目的の場合は、非線形回帰を使います。つづく