Question リッジ回帰とラッソ回帰の違いは何ですか？ ———- Answer リッジ回帰とラッソ回帰は、両方とも線形回帰で使われる正則化手法ですが、その差異は正則化項の形です。 リッジ回帰は、L2正則化を使います。この正則化項は、回帰係数の二乗和を最小化することで、過剰適合を防ぎます。 ラッソ回帰は、L1正則化を使います。この正則化項は、回帰係数の絶対値の和を最小化することで、回帰係数を直接的にスパース化します。 したがって、リッジ回帰は回帰係数を縮小し、過剰適合を防ぐことに優れ、一方、ラッソ回帰は回帰モデルの説明力を保ちつつ、スパース性を持たせることに優れています。
Question コンフィジョンマトリックスとは何ですか？ ———- Answer コンフュージョンマトリックス (Confusion Matrix) は、機械学習や統計学の分野で使用される評価指標の一つで、分類モデルの予測結果と実際のクラスを比較するために用いられます。具体的には、予測結果が正解か誤りかを左右に分類した表で、4つのセルから構成されます。真陽性 (True Positive)、真陰性 (True Negative)、偽陽性 (False Positive)、偽陰性 (False Negative) の4つの要素を計算し、モデルの性能を評価するために使用されます。
Question アンサンブル学習とは何ですか？ ———- Answer アンサンブル学習（Ensemble learning）とは、複数のモデルを組み合わせて予測を行う機械学習手法のことです。複数のモデルを用いることで、単一のモデルでは不可能な高い精度を実現することができます。アンサンブル学習には、バギング、ブースティング、スタッキングなどの手法があります。バギングは、複数のモデルを独立に学習させ、それらの予測結果を平均化して最終的な予測を行います。ブースティングは、弱い学習器を順番に学習させ、前の学習器の誤りを次の学習器が修正することで、最終的に強い学習器を得る手法です。スタッキングは、複数の異なるモデルを組み合わせて、別のモデルによってその予測結果を使い、最終的な予測を行います。