機械学習でのチートシートの使い方｜基本アルゴリズムを初心者向けに解説

AIの要素技術の一つである機械学習を企業活動で活用する際は、解決すべき課題に対して、数多くのアルゴリズムから適切な手法を選択する必要があります。その手法選択をサポートするものが、機械学習のアルゴリズムチートシートです。本記事では、機械学習のアルゴリズム選択をサポートするチートシートの使い方について解説します。

▼更に機械学習について詳しく知るには？
【完全版】機械学習とは？解決できる課題から実例まで徹底解説

▼社内のデータをAI化するには？
ノーコードAIツールUMWELT紹介ページ（活用事例あり）

機械学習やアルゴリズムチートシートとは？

機械学習は、コンピュータに大量のデータを入力し、データに潜むパターンやルールを発見する技術です。ここでは機械学習の必要性とアルゴリズム、チートシートについての概要を解説します。

機械学習の必要性

昨今、機械学習が注目されている要因の一つとして、コンピュータ処理能力の向上により大量のデータを高い精度で迅速に分析できるようになったことが挙げられます。人で行っていたデータ分析を代替することで、低コストでより正確な分析が可能となったのです。ビジネスでは、企業が保有するビッグデータを活用して、より明確な意思決定を支援するために機械学習の必要性が謳われてます。

機械学習のアルゴリズム

機械学習は基本的に、予め用意したデータに対して数学的な処理を実施することで分析ができます。その処理を実施するのがアルゴリズムですが、その種類は数多くあります。アルゴリズムごとで得意な処理が異なるため、データ活用の目的に適したアルゴリズムを選択することが重要となります。

チートシートはアルゴリズムの選択ガイド

数多くの種類から適切なアルゴリズムを選択することは容易ではありません。そこで活用されるのがアルゴリズムチートシートです。チートシートは、例えるとアルゴリズム選択のカンニングペーパーで、データ分析の目的から適切なアルゴリズムを選択することができます。

機械学習アルゴリズムチートシートの使い方とタイプ分け

アルゴリズムチートシートはユーザーに大まかなガイドを提供するように設計されています。ここでは、チートシートの使い方や、カテゴリからアルゴリズムの一例をご紹介します。

シートの使い方

フローチャート形式のチートシートであれば、質問の分岐が用意されています。提示されている質問に対して順に答えていくことで、適切な手法を見つける目安が分かります。また、目的に適したデータ数が不足している場合、データ収集を促されることもあります。そのため、データ活用の目的を事前に明確にしておく必要があります。

4種類のカテゴリへ

分岐を進めると、数種類のカテゴリに行き着きます。カテゴリの種類はチートシートごとで異なりますが、ここでは一般的に利用される分類形式をお伝えします。

• クラス分類
• 回帰
• クラスタリング
• 次元削減・圧縮

クラス分類と回帰分析は、正解のデータをもとに正しい出力ができるよう入力データの特徴を学習し分析する「教師あり学習」という手法です。クラス分類は入力されたものをクラス分けをする際に活用でき、回帰分析は未知の数値を推定します。クラスタリングと次元削減・圧縮は、正解データなしで入力したデータの特徴やルールを学習して分析する教師なし学習という手法です。クラスタリングは教師なしでのグループ分けを行い、次元削減・圧縮はデータの要約や縮約をする分析手法です。

【初心者・中級者向け】機械学習のアルゴリズムチートシート

チートシートを活用することで、機械学習の初心者が手法の概観を捉えるものとして役立ちます。また、中級者においては、データ分析を実行する際に必要なアルゴリズムを探す際に活用できます。ここでは初心者や中級者向けのアルゴリズムチートシートをご紹介します。

Azure Machine Learning

Azure Machine Learningは、MIcrosoft社が提供している機械学習のクラウドサービスです。分類、レコメンダーシステム、クラスタリング、異常検出、回帰、テキスト分析の6つのアルゴリズムのライブラリが用意されています。Azure Machine Learningの製品ドキュメントで提供されているチートシートは、データ活用の用途別に分岐をし、データの性質別に分けています。

SAS Institute Japan

The SAS Data Science BlogのHui Li氏によって執筆され、SAS Institute Japanによって翻訳された記事があります。その記事内で、機械学習アルゴリズム選択チートシートが掲載されています。シートのデザインが分かりやすく、アルゴリズムの理解がしやすいため、初心者の方におすすめです。

scikit-learn

scikit-learnは、pythonで機械学習を実施する際に利用されるオープンソースライブラリです。scikit-learnのサイト内の、Choosing the right estimatorというページにチートシートが掲載されています。どういうデータなのかを分析する際の、アルゴリズム選択で活用できます。

機械学習初心者必見！基本的なアルゴリズム

ここでは、基本的な機械学習のアルゴリズムをご紹介します。機械学習初心者の方は、まずは以下で紹介されるアルゴリズムから把握しましょう。

NN（ニューラルネットワーク）

ニューラルネットワークは、ヒトの脳神経系ニューロンを数理モデルに落とし込んだアルゴリズムです。ニューラルネットワークにはいくつかの種類があり、RNN（Recurrent Neural Network：再帰型ニューラルネットワーク）やCNN（Convolutional neural network：畳み込みニューラルネットワーク）などがあります。

ロジスティック回帰

ロジスティック回帰は、分類問題を解くモデルです。入力が与えられた時、その入力がどのクラスに分類されるかだけでなく、どれくらいの確率で分類されるかを出力します。例えば2クラス分類では、このモデルはある事象が発生する確率を予測し、50%より確率が大きければ、「ある事象が発生する」というクラスに分類し、そうでなければ「ある事象が発生しない」というクラスに分類します。

ランダムフォレスト

ランダムフォレストはカリフォルニア大学バークレー校の統計学者 レオ・ブレイマンが提案したアルゴリズムです。ランダムフォレストは、複数の異なる分類木でそれぞれクラスを予測させ、多数決でどのクラスへ分類するかを決定していくアルゴリズムとなっています。人間があらかじめ決定しなければならないパラメータが少ないため、扱いが容易であるというメリットがあります。

Naive Bayes（ナイーブベイズ）

ナイーブベイズは、確率論の定理であるベイズの定理を基にしたアルゴリズムです。計算量が少なく処理が高速であるため、大規模データにも対応できます。その上、非常にシンプルで現実世界の複雑な問題に対してもうまく機能します。

SVM（サポートベクターマシン）

サポートベクターマシン（SVM）とは、2つのクラスを特徴量空間上で分離する線形関数（超平面）を求めるアルゴリズムです。少ないデータ量でも正しく分離しやすいというメリットがあります。

k近傍法

k近傍法はパターン認識でよく使われ、特徴空間における最も近い訓練例に基づいた分類の手法のことを指します。機械学習アルゴリズムの中でも、最も単純とされている、既に答えがわかっている問題を教師あり学習していく手法です。

チートシートでの機械学習アルゴリズム選択の注意点

チートシートを活用する際には、事前にデータ活用の目的を明確にしておく必要があります。アルゴリズムの検討がついたとしても、分析に適切なデータを収集できているかの確認をすることも重要です。また、チートシートはあくまで目安として活用するものです。1つのアルゴリズムを試してみて、分析結果に満足できなければ他のアルゴリズムも試してみることがおすすめです。

機械学習ならTRYETINGのノーコードAI「UMWELT」がおすすめ！

チートシートがあるとはいえ、分析目的に適したアルゴリズムを選択するには、多くの学習時間を割かなければなりません。適切なアルゴリズムを選択して、より精度の高い機械学習を行いたい方は、TRYETINGのノーコードAIクラウドUMWELTがおすすめです。

UMWELTはコードを書くことなくドラッグ＆ドロップの操作のみでAI構築ができます。そのため、AIシステムを社内に導入するために新たにデータサイエンティストを雇う必要はありません。また、UMWELTは作業代行やコンサルティング、トレーニングなどのサポートサービスも提供しているため、アルゴリズムの選択で困ることはありません。

まとめ

機械学習は、データ活用の目的に適した適切なアルゴリズムの選択が鍵になります。UMWELTを活用することで、学習コストをかけることなく最適なアルゴリズム活用ができます。資料ダウンロードによる事前の情報収集や無料相談が可能ですので、機械学習の導入を模索している方はぜひ一度ご検討ください。

参照文献

Azure Machine Learning デザイナーの機械学習アルゴリズムチートシート｜Microsoft
https://docs.microsoft.com/ja-jp/azure/machine-learning/algorithm-cheat-sheet

機械学習アルゴリズム選択ガイド｜SAS Institute Japan
https://blogs.sas.com/content/sasjapan/2017/11/21/machine-learning-algorithm-use/

Which machine learning algorithm should I use?｜By Hui Li on The SAS Data Science Blog
https://blogs.sas.com/content/subconsciousmusings/2020/12/09/machine-learning-algorithm-use/

Choosing the right estimator｜scikit learn
https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html

機械学習でよく使われるアルゴリズム｜TREASURE DATA User Engament
https://plazma.red/user_engagement/howto/0118