さまざまなモデリング手法：
問題をより小さなプロセスに分割できます。
分類 –は、データを分類する場所です。例えば。病気すべての病気は特定の行動を示し、さらに分類することができます。
例：免疫力を低下させる病気、頭痛を引き起こす病気など。
回帰 –複数の変数間の関係を見つけることが含まれます。
例：人間の体重と身長の関係。
アノモリー検出 –基本的に変動です。
例：高電圧または低電圧の場合。
別の例には、国に基づいて右側または左側を運転することを含む規制された行動が含まれる可能性があります。ここでの異常は、反対側から運転している人です。
別の例として、ネットワークへの侵入が考えられます。ここでは、認証されたユーザーが会社のWebサイトにログインし、認証されていないユーザーがログインした場合、それはAn0moly。
属性の重要性 –基本的に、身長、体重、体温、心拍数などの複数の属性を提供します。注意すべき点は、これらすべての属性がタスクにとって重要であるということです。
例：誰かが、いつ人がオフィスに到着するかを予測しようとしています。各属性は重要な役割を果たしますが、すべての属性が重要であるとは限りません。
アソシエーションルール –簡単に言うと、レコメンデーションエンジンを中心に展開する次の動作を分析または予測することです。
例：パンを購入する人は牛乳も購入する場合があります。過去の買い物行動を分析すると、バスケット内のすべてのアイテムに関係があります。この場合、パンを買う人が牛乳も買う可能性があります。
クラスタリング –これは統計で最も古い手法の1つです。実際、分類であれクラスタリングであれ、あらゆる問題をいつでもモデル化できます。つまり、類似したエンティティをグループ化することを意味します。
例えば：
1）リンゴとオレンジのバスケットを用意します。このバスケットでは、リンゴとオレンジを区別できます。
2）クラスタリングの重要なユースケースはヘルスケアです。ほとんどすべての統計と分析は、ヘルスケアのユースケースから始まりました。さらに深く掘り下げるために、コホート（同様の病気を持つ人々）と呼ばれるクラスタリング用語があり、既存の顧客とは別に研究することができます。たとえば、10人が熱に苦しんでいて、さらに10人が頭痛に苦しんでいる場合、私たちは彼らの間で共通していることを見つけて薬を生成します。
特徴抽出 –特徴抽出の精度では、有効性と失敗が非常に重要です。言い換えれば、特徴抽出はパターン認識と呼ぶことができます。
例えば：
Google検索では、ユーザーが用語を入力すると、結果が表示されます。さて、尋ねられるべき重要な質問は、どのページがその用語に関連していて、関連していないかをどうやって知ったのかということです。これは、特徴抽出とパターン認識で答えることができ、顕著な特徴を追加します。写真が与えられたとしましょう。特定のカメラは顔を検出し、顔を強調表示して美しい画像を提供します。これも特徴認識を使用します。
教師あり学習と教師なし学習
に） 予測カテゴリ –手法には、回帰、ロジスティック、ニューラルネットワーク、および決定木が含まれます。いくつかの例には、不正検出（コンピューターが以前の不正の履歴から次の不正を学習して予測する場合）が含まれます。教師なし学習では、履歴データがないため、例で予測することはできません。
b） 分類カテゴリー –例を挙げると、トランザクションが不正であるかどうかに関係なく、分類カテゴリに入ります。ここでは、履歴データを取得して決定木で分類します。履歴データをまったく取得しない場合は、データから直接開始して、独自に機能を活用しようとします。たとえば、組織を離れる可能性が高い、または留まる可能性が高い従業員を知る必要がある場合です。履歴データを使用できない新しい組織の場合、データ抽出にはいつでもクラスタリングを使用できます。
c） 探査カテゴリー –これは、ビッグデータの意味を考え出す簡単な方法です。教師なし学習では、主成分分析およびクラスタリングと呼ばれます。
d） アフィニティカテゴリ –ここでは、クロスセル/アップセル、マーケットバスケット分析などの複数の要素が関係しています。バスケット分析では、履歴データがないため、教師あり学習はありません。そのため、データを直接取得して、関連性、シーケンス、および因子分析を見つけます。
質問がありますか？コメントセクションでそれらに言及してください。折り返しご連絡いたします。
関連記事：
C ++で名前空間を使用する方法