簡単な紹介
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2021/05/01 05:29 UTC 版)
曾焯文によれば、『香港独立論』は香港の歴史を香港本土の立場から描き、香港の文化や歴史観が中国とはどう異なるのか、香港に独立した主権がないことから生じる問題点などを探っている。 田飛龍は、この本と香港民族論が、香港の若者が「中国国民の意識」を確立することへの拒否反応を表していると指摘している。 著者は、中華民国が香港の主権を放棄したため、香港の人々は将来について国民投票を行う権利があると述べていた。
※この「簡単な紹介」の解説は、「香港独立論」の解説の一部です。
「簡単な紹介」を含む「香港独立論」の記事については、「香港独立論」の概要を参照ください。
簡単な紹介
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/06/19 14:36 UTC 版)
本節では、Li による勾配ブースティングの説明を紹介する。 他のブースティング方法と同様に、勾配ブースティングは、弱い「学習者」を反復的に1つの強い学習者に結合する。これは、最小二乗回帰の設定で説明するのが最も簡単で、そこでの目標は、平均二乗誤差 1 n ∑ i ( y ^ i − y i ) 2 {\displaystyle {\tfrac {1}{n}}\sum _{i}({\hat {y}}_{i}-y_{i})^{2}} を最小化することによって y ^ = F ( x ) {\displaystyle {\hat {y}}=F(x)} の値を予測できるようモデル F {\displaystyle F} に「教える」ことである。ここで、 i {\displaystyle i} はのトレーニングセットにおける出力変数 y {\displaystyle y} の実際の値（サイズ n {\displaystyle n} ）のインデックスである。 y ^ i {\displaystyle {\hat {y}}_{i}} は F ( x ) {\displaystyle F(x)} の予測値 y i {\displaystyle y_{i}} は F ( x ) {\displaystyle F(x)} の観測値 n {\displaystyle n} は y {\displaystyle y} の標本数 ここで、 M {\displaystyle M} 個のステージがからなる勾配ブースティング・アルゴリズムについて考える。勾配ブースティングの m {\displaystyle m} （ 1 ≤ m ≤ M {\displaystyle 1\leq m\leq M} ）ステージ目において、いくつかの不完全なモデル F m {\displaystyle F_{m}} を想定する。 m {\displaystyle m} が小さいうちは、このモデルは単にy の平均値を返すだけかもしれない（ y ^ i = y ¯ {\displaystyle {\hat {y}}_{i}={\bar {y}}} ）。 F m {\displaystyle F_{m}} を改善するために新しい推定量 h m ( x ) {\displaystyle h_{m}(x)} を追加すると、 F m + 1 ( x ) = F m ( x ) + h m ( x ) = y {\displaystyle F_{m+1}(x)=F_{m}(x)+h_{m}(x)=y} または、同等に、 h m ( x ) = y − F m ( x ) {\displaystyle h_{m}(x)=y-F_{m}(x)} したがって、勾配ブースティングは、h を残差 y − F m ( x ) {\displaystyle y-F_{m}(x)} に適合させる。他のブースティング手法と同様、 F m + 1 {\displaystyle F_{m+1}} は前任者 F m {\displaystyle F_{m}} のエラーを修正しようとする。二乗誤差以外の損失関数や分類・ランク付け問題に一般化すると、モデルの残差 h m ( x ) {\displaystyle h_{m}(x)} は F ( x ) {\displaystyle F(x)} に関する平均二乗誤差損失関数の負の勾配に比例する。 L M S E = 1 2 ( y − F ( x ) ) 2 {\displaystyle L_{\rm {MSE}}={\frac {1}{2}}\left(y-F(x)\right)^{2}} h m ( x ) = − ∂ L M S E ∂ F = y − F ( x ) {\displaystyle h_{m}(x)=-{\frac {\partial L_{\rm {MSE}}}{\partial F}}=y-F(x)} 。 したがって、勾配ブースティングは勾配降下アルゴリズムに特化したものであり、これを一般化するには、異なる損失とその勾配を「プラグイン」する必要がある。
※この「簡単な紹介」の解説は、「勾配ブースティング」の解説の一部です。
「簡単な紹介」を含む「勾配ブースティング」の記事については、「勾配ブースティング」の概要を参照ください。
- 簡単な紹介のページへのリンク
