他の手法との比較

ウィキペディア小見出し辞書

他の手法との比較

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2014/12/04 14:23 UTC 版)

「事例ベース推論」の記事における「他の手法との比較」の解説

一見すると、事例ベース推論は機械学習におけるルール獲得アルゴリズムに似ている。ルール獲得アルゴリズムと同様、事例ベース推論 はいくつかの事例（訓練例）から出発する。検索された事例と与えられた問題の間で共通性を識別することによって、暗黙のうちに事例を一般化する。 例えば、普通のパンケーキのレシピがブルーベリーパンケーキにマッピングされる場合、バターで炒めるという基本を踏襲するという判断がなされ、暗黙のうちにバターで炒めるときの一連の状況が一般化されている。しかし、事例ベース推論での暗黙の一般化とルール獲得での一般化での重要な違いは、一般化がどの時点でなされるかという点である。ルール獲得アルゴリズムは、解くべき問題が与えられる前に訓練例から一般化を行う。すなわち、先行一般化である。 例えば、訓練例として普通のパンケーキ、アップルパンケーキ、バナナパンケーキのレシピがルール獲得アルゴリズムに与えられると、訓練時にあらゆるパンケーキを作るための汎用ルールを導き出す。それは例えば、ブルーベリーパンケーキを作るという問題を与えられた時点ではない。ルール獲得アルゴリズムの欠点は、訓練例から一般化する方向性が間違っている可能性がある点、あるいは一般化が不十分な可能性がある点である。一方事例ベース推論では一般化を実際に必要になるまで遅らせる。つまり、遅延一般化である。パンケーキの例で言えば、ブルーベリーパンケーキの問題を既に与えられているため、それを事例としてそのような状況が来れば一般化することができる。従って事例ベース推論は事例を一般化する無数の方法を持つ複雑な領域で特に威力を発揮する。

他の手法との比較

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2018/02/08 02:01 UTC 版)

「スライスサンプリング」の記事における「他の手法との比較」の解説

スライスサンプリングはマルコフ連鎖モンテカルロ法の一種であり、その目的はメトロポリス・ヘイスティングス法やギブスサンプリングと同様である。ただし、スライスサンプリングはメトロポリス・ヘイスティングス法と異なり、提案分布それ自体や提案分布の分散等を調整する必要がない。メトロポリス・ヘイスティングス法はステップサイズ、すなわち正規分布を提案分布に取ったときの分散にあたるパラメータによって結果が大きく変わる恐れがある。分散が小さすぎればサンプル点の移動が遅くなり、それに伴って定常分布への収束も遅れる。一方で分散を大きくしすぎれば、提案されたサンプル点が棄却される可能性が高まり、こちらも定常分布への収束が遅れる。 一方でスライスサンプリングは上記のようなパラメータ設定が不要であり、またギブスサンプリングのように特殊な提案分布も必要もないことから、実装は非常に単純であり、適用範囲も広い。ただし、スライスサンプリングにより生成される擬似乱数は連続するサンプル点の間に相関が残るため、全ての点が同様に確からしくサンプルされるわけではない。