Name: 初めての分類器を書く - 機械学習レシピ #5 (Writing Our First Classifier - Machine Learning Recipes #5)
Uploaded: 2021-01-14T06:58:28.000Z
Duration: 8 min 44 s

In this episode, we're going to do something special,

and that's write our own classifier from scratch.

それは自分の分類器を 一から作ることです

Because if you can follow along and do this on your own,

it means you understand an important piece of the puzzle.

ついて来て自分でこれができれば

The classifier we're going to write today

パズルの重要なピースを理解する という意味ですからね

is a scrappy version of k-Nearest Neighbors.

That's one of the simplest classifiers around.

First, here's a quick outline of what we'll do in this episode.

それは現存の最もシンプルな 分類器の１つです

We'll start with our code from Episode 4, Let's

まず これが今回やることの ざっとした概略です

第４回の Let's Write a Pipeline の このコードで始めます

Recall in that episode we did a simple experiment.

その回で簡単な実験をしましたね

We imported a data set and split it into train and test.

データセットをインポートして それを学習とテストに分けました

学習は分類器を学習させる為に

テストはその精度を見る為に 使いました

これらの２行を使って インポートしました

Here we'll comment them out and write our own.

ここではそれらをコメントアウトして 自分のを書きます

The rest of the pipeline will stay exactly the same.

あとのパイプラインは 全く同じにしておきます

I'll pop in and out of the screencast to explain things

私は進行中に説明の為に スクリーンキャストに出入りします

To start, let's run our pipeline to remind ourselves

精度がどうだったか思い出してみましょう

これが私達自身が作る 分類器のゴールです

では このインポートを コメントアウトしましょう

即座に これでコードが壊れます

ですから まずはパイプラインを 直す必要があります

その為に 分類器にクラスを 実装します

So the first thing we need to do is fix our pipeline.

And to do that, we'll implement a class for our classifier.

scrappy とは最も簡素な という意味です

次にそれを使う為に パイプラインを変えます

では どのメソッドを実装する 必要があるか見てみましょう

Next, I'll change our pipeline to use it.

分類器のインターフェースを見ると

Now let's see what methods we need to implement.

配慮する２つが見えます 学習をする fit と

Looking at the interface for a classifier,

we see there are two we care about-- fit,

まず fit メソッドを宣言します

これが学習セットの特徴と ラベルを入力としてとるのですから

それらにパラメーターを付けます

では predict メソッドに移りましょう

Remember this takes the features and labels for the training set

入力として これはテストデータの 特徴を受け取り

as input, so we'll add parameters for those.

出力として ラベルの予測を返します

私達の最初の目標は パイプラインを機能させ

As input, this receives the features for our testing data.

これらのメソッドが何をするか 理解することです

And as output, it returns predictions for the labels.

そこで私達の本当の 分類器を書く前に

Our first goal is to get the pipeline working,

もっとシンプルなことから 始めましょう

ランダムとはラベルを推量するだけ という意味です

まず fit と predict メソッドに コードを付け足します

fit にはこのクラスの 学習データを格納します

And by random, I mean we'll just guess the label.

これを記憶するものと 思っていいです

To start, we'll add some code to the fit and predict methods.

なぜそうするか後でわかります

In fit, I'll store the training data in this class.

You can think of this as just memorizing it.

予測のリストを返す 必要がありますね

なぜならパラメーター X_test は

実は２次元配列 または 一覧の一覧だからです

that we'll need to return a list of predictions.

各行には１つのテスト例の 特徴が入ります

That's because the parameter, X_test, is actually

学習データからランダムに ラベルを選び

Each row contains the features for one testing example.

この時点でパイプラインは また機能しています

I'll just randomly pick a label from the training data

では実行してどの位うまく 働くか見てみましょう

アイリスデータセットでは 異なる花の種類は３つでしたよね

At this point, our pipeline is working again.

ですから精度は約 33% の筈です

So let's run it and see how well it does.

これで分類器のインターフェースは 分かりましたね

Recall there are three different types of flowers

in the iris dataset, so accuracy should be about 33%.

Now we know the interface for a classifier.

ではもっと良くやれるか 見てみましょう

その為に 私達の分類器を実装します

それは K 近傍法に基づいています

ここにそのアルゴリズムの 働き方の直観があります

To do that, we'll implement our classifier,

前回の緑の点と赤の点の図に 戻ってみましょう

Here's the intuition for how that algorithm works.

fit メソッドで記憶した 学習データだと思ってください

Let's return to our drawings of green dots and red dots

ここにグレーで描いた このテストポイントに

are the training data we memorized in the fit method,

それをどうやればいいでしょうか

Now imagine we're asked to make a prediction for this testing

テスト点に最も近い学習点を 見つけます

次にこのテスト点が 同じラベルになると予測します

例えばこのテスト点が緑だと推量します

別の例として こっちにテスト点が あったとすれば

では中間のこれはどうでしょう

この点が最近傍の緑の点と 最近傍の赤の点から

For example, we'll guess that this testing dot is green,

because that's the color of its nearest neighbor.

タイですから どう分類すればいいのでしょう

As another example, if we had a testing dot over here,

１つの方法はタイを任意に 破ってもいいでしょうが

別の方法として  そんな時に K が便利です

Now what about this one right in the middle?

K は予測をしている時考える 近傍の数です

字幕リスト動画再生

初めての分類器を書く - 機械学習レシピ #5 (Writing Our First Classifier - Machine Learning Recipes #5)

episode

random

term

comment