Coursera Machine Learning Week8 Video前半

ここでは自分がポイントと思った点をメモしていきます。

全体の内容に関する説明は↓のサイトが良いと思います。

makuramarks.com

頭のいい方が書かれたんだと思います。

Videoの内容がとても簡潔にまとめられていてわかりやすいです。

私はVideoみただけでは全体が理解できないアラフォー文系のおっさんなので

「ポイントと思った点を書く」みたいなこといいながら実は逃げて書いてます笑

代わりに「わからないぞ！」とか「こここういう風に分かったつもり（弱）」とか

「わからないところがわからないんだ！」という情けなさを前面に出してます笑

将来の自分が読んでわかるように、という目的も多分にあります。

今の私がわからないもの/疑問に思うものは将来の自分も同じように思うはずなので、

どういう風に的外れ（？）な疑問をもって、コース内容に沿っていけるようになったのかを記録しておきたいです。

Video①Unsupervised Learning Introduction

Week1-7ではTraining SetはすべてX,yのセットだったが、

Unsupervised Learningはyがない。

Video②K-means Algorithm

Step1　中心地を決めて各xをどの中心地に近いか色分けする

Step2　Step1で色分けしたグループの中心地を計算する

Step3　Step1とStep2を繰り返す

 Video③Optimization Objective

＜基本的な数式表現＞

x(i)がカテゴリー5に所属しているとき、

C(i)=5と表現するとx(i)はカテゴリー5に所属していることを示す

例）c(1)=3　はx(3)がカテゴリー3に所属していることを示す

μkはカテゴリーkの中心点を示している

例）Μ2はカテゴリー2の中心点を示している

μc(i)はc(i)＝5のときμ5、つまりカテゴリー5の中心点を示している

＜K-means algorithm＞

Videoの中でこのように紹介されています。

 （出典;『Coursera Machine Learning』 By Mr. Andrew Ng)

Step1　中心地を決めて各xをどの中心地に近いか色分けする

Step2　Step1で色分けしたグループの中心地を計算する

を式にしたものだと思いますが、式にされると下記疑問が浮かびます、、、

＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

最初はμを固定して

μ1,μ2,μ3,・・・,μｋ

そして各xがどのμと近いかをループさせる？

（x(i)-μ1）＾2、（x(i)-μ2）＾2・・・・（x(i)-μk）＾2

と計算していって一番小さいものを選ぶの？

え、どうやって?

（x(1)-μ1）＾2、（x(1)-μ2）＾2・・・・（x(1)-μk）＾2

（x(2)-μ1）＾2、（x(2)-μ2）＾2・・・・（x(2)-μk）＾2

x(1)はμ2の時が一番小さいからカテゴリー2で

x(2)はμ3の時が一番小さいからカテゴリー3で、とかをどう抽出するの？

x(1～m)とμ(1～k)は行列で計算できるが

合計ではなく最小値となると、

行ごとの最小値を何行目かというIndexと

共に引き出す必要あるのか？

次はカテゴリの決まったx(i)とμ（μ1,μ2,μ3,・・・,μｋ）の場所をついて

再計算してカテゴリごとの中心地を再計算することになるが、

どうやって？

＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

謎です。

課題が楽しみです。

Video④ Random Initialization

Training setのx(i)をそのままμにセットしてしまう。

Local Optimaに陥る可能性が高いので、

初期値を何パターンも持ってJを計算する。

--＞Simulationの履歴取り出しになりそう。

クラスタが1-10のときは何パターンも試すことにかなり価値がある。

クラスタが100近くある時は最初の10パターンくらいで

かなりいいクラスタが作れているときが多い。

Video⑤Choosing the Number of Clusters

一言でいうとあんまりいい方法ないよ。

Elbow方法はやってみて見えたらラッキーだね。

目的の方（マーケティングセグメンテーションなど）から考えるのも手です。

Video⑥MotivationI；Data Compression

相関の高い変数は圧縮して1次元へらす。

データ圧縮と計算速度高速化のため

Video⑦MoticaionII；Visualization

何次元であろうが2次元もしくは3次元へデータを落とし込めるなら、

グラフ化することができる、そしたらみやすいしわかりやすい。

是非そうしたい、どうすればできる？

PCAという方法があるので次のVideoで紹介する

今日はここまでです。また次回頑張ります。