ベイジアン線形回帰

ベイジアン線形回帰モデルを作成します

カテゴリ: Machine Learning/モデルの初期化/回帰

モジュールの概要

この記事では、Machine Learning Studio (クラシック) のベイジアン線形回帰モジュールを使用して、ベイジアン統計に基づいて回帰モデルを定義する方法について説明します。

モデル パラメーターを定義した後は、タグ付けされたデータセットとモデルのトレーニング モジュールを使用してモデル をトレーニングする必要 があります。 その後、トレーニング済みのモデルは、予測に使用できます。 または、トレーニングされていないモデルをモデルのクロス検証に渡して、ラベル付きデータ セットに対するクロス検証を行います。

ベイジアン回帰の詳細

統計学において、回帰へのベイジアン アプローチは、頻度論者アプローチとよく比較されます。

ベイジアン アプローチでは、追加情報で補足された線形回帰を事前確率分布の形式で使用します。 パラメーターに関する事前情報と尤度関数の組み合わせから、パラメーターに対する推定が生成されます。

これに対し、最小二乗線形回帰によって表される頻度論者のアプローチでは、有意なモデルを作成するのに十分な測定値がデータに含まれていると仮定します。

このアルゴリズムの背後にある調査の詳細については、「テクニカル ノート」セクションのリンク を参照 してください。

ベイジアン回帰を構成する方法

1. ベイジアン 線形回帰モジュールを実験 に追加します。 このモジュールは、[回帰] カテゴリの [Machine Learning] の下に表示されます。

2. 正値化の重み: 正しい規則化に使用する値を入力します。 正則化を使用して、過学習を回避します。 この重み付けは L2 に対応します。 詳細については、「テクニカル ノート」 セクションを参照 してください。

3. [不明なカテゴリ レベルを許可する]: 不明な値のグループを作成するには、このオプションを選択します。 モデルは、トレーニング データに含まれる値のみを受け入れることができます。 モデルは既知の値に対する精度は低くなりますが、新しい (不明な) 値に対してより優れた予測を提供します。

4. Connectデータセットと、トレーニング モジュールの 1 つを作成します。 このモデルの種類には、パラメーター スイープで変更できるパラメーターはないので、モデルハイパーパラメーターの調整を使用してモデルをトレーニングすることもできますが、モデルを自動的に最適化することはできません。

5. モデル化または予測する 1 つの数値列を選択します。

6. 実験を実行します。

結果

トレーニングの完了後:

• モデルのパラメーターの概要を表示するには、[モデルのトレーニング] モジュールの出力を右クリック し、[視覚化 ] を選択 します。
• 予測を作成するには、トレーニング済みのモデルをモデルのスコア付けへの入力 として使用します。

例

回帰モデルの例については、次のAzure AI Gallery。

• 回帰モデルの比較のサンプル: いくつかの異なる種類の回帰モデルを比較します。

テクニカル ノート

• ラムダ係数の使用については、機械学習に関するこの「パターン認識と Machine Learning、2007 年のクリストファー・ポディスト、Springer-Verlag」で詳しく説明されています。

• この記事は、 Microsoft Research サイトの「ベイジアン回帰と分類」から PDF ダウンロードとして提供されています

モジュールのパラメーター

出力

こちらもご覧ください

モジュールの一覧 (アルファベット順)
Regression (回帰)