内容紹介
決定木・アンサンブル学習の理論と実践の基礎・基本が，この一冊で学べる！
本書は、データ分析で広く応用されている機械学習アルゴリズムである、決定木およびアンサンブル学習について、その数理と応用を解説するものです。
データの分類ルールを木構造で表現するモデルである決定木は、分類の条件が明確に示されることから、人工知能（AI）における解釈可能アプローチの一つとしても活用されています。また、複数の決定木の組合せ（アンサンブル学習）により、高精度な予測が可能となります。本書では、決定木およびアンサンブル学習の数理とアルゴリズムを基礎からていねいに解説するとともに、応用を念頭にPythonのサンプルコードを通して具体例も扱います。また、数学でつまずくことのないよう、理解に必要となる高校程度以上の数学は本書で解説しています。
このような方におすすめ
○マーケティングや意思決定などに向けてデータ分析業務に携わる若手社会人
○主に理工系・情報系の学生
目次
主要目次
第1章 はじめに
第2章 数学のおさらい
第3章 決定木の理論
第4章 決定木の具体的問題への適用
第5章 アンサンブル学習
第6章 ランダムフォレスト
第7章 AdaBoost
第8章 勾配ブースティング
第9章 XGBoost
第10章 LightGBM
付録 Pythonの基礎
詳細目次
第1章 はじめに
1.1 人工知能と機械学習
1.2 機械学習モデル
1.3 機械学習モデルの作りかた
1.4 決定木の概要
1.5 本書の読み方
第2章 数学のおさらい
2.1 数列
2.2 ベクトル
2.3 関数
2.4 平均変化率と微分
2.5 積分
2.6 確率・統計の基礎
2.7 情報理論の基礎
第3章 決定木の理論
3.1 決定木の基礎
3.2 決定木の作り方
3.3 決定木の評価方法
3.4 決定木のアルゴリズム
3.5 決定木の長所と課題
第4章 決定木の具体的問題への適用
4.1 分類問題
4.2 回帰問題
第5章 アンサンブル学習
5.1 回帰モデルにおけるバイアスとバリアンス
5.2 分類モデルにおけるバイアスとバリアンス
5.3 アンサンブル学習による性能向上のしくみ
5.4 アンサンブル学習のアルゴリズム
第6章 ランダムフォレスト
6.1 ランダムフォレストとは何か
6.2 ランダムフォレストによる回帰のアルゴリズム
6.3 ランダムフォレストによる分類のアルゴリズム
6.4 Pythonでランダムフォレスト
第7章 AdaBoost
7.1 AdaBoostとは何か
7.2 AdaBoostによる回帰のアルゴリズム
7.3 AdaBoostによる分類のアルゴリズム
7.4 AdaBoostの特徴と課題
7.5 PythonでAdaBoost
第8章 勾配ブースティング
8.1 勾配ブースティングとは何か
8.2 勾配ブースティングによる回帰のアルゴリズム
8.3 勾配ブースティングによる分類のアルゴリズム
8.4 Pythonで勾配ブースティング
第9章 XGBoost
9.1 XGBoostとは何か
9.2 XGBoostによる回帰のアルゴリズム
9.3 XGBoostによる分類のアルゴリズム
9.4 PythonでXGBoost
第10章 LightGBM
10.1 LightGBMとは何か
10.2 LightGBMによる回帰のアルゴリズム
10.3 LightGBMによる分類のアルゴリズム
10.4 PythonでLightGBM
付録 Pythonの基礎
A.1 開発環境Colab
A.2 Python文法の要点
A.3 Pythonライブラリ群
続きを見る