文献

J-GLOBAL ID：201702288245541350   整理番号：17A0436407

わりと使われるタイプは動かしてガッテン!人工知能アルゴリズム探検隊 第8回 答えを学習してなくても特徴を予測できる「自己組織化マップ」

著者 (2件)： 牧野浩二 ,  寺田英嗣
資料名： インターフェース  (Interface)
巻： 43  号： 5  ページ： 124-132  発行年： 2017年05月01日 
JST資料番号： L0339A  ISSN： 0387-9569  資料種別： 逐次刊行物 (A)
記事区分： 解説  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 人工知能アルゴリズムのうちのデータ・マイニング手法として標題連載論文の第4回(2016年12月号)では主成分分析,第5回(2017年2月号)ではクラスタ分析を解説した。本論文では,それらと同様にアンケートの分析に利用できるだけでなく,データの分類や今後の予測などにも使え,ニューラル・ネットワークの教師なし学習に位置付けられる自己組織化マップ(SOM)のRでの使い方を説明した。まず,7種類の動物に,1)可愛い,2)危険,3)大きい,4)ふさふさ,5)強い,6)賢いといった6つの評価をしたデータをSOMで分類し,主成分分析やクラスタ分析による結果と比較した。また,新たに3種類の動物の評価データを入力すると,7種類の動物に対するデータとの近さを判別でき,その特徴を推測できるSOMの利点を説明した。さらに,SOMの結果に影響を与える学習回数,学習係数や影響を与える範囲といったパラメータを調整し,上手く学習できているかを調べたり,どのデータが分類に影響しているかを調べるRのコマンドについても述べた。例えば,それらを用いるとSOMで「霊長類」,「巨大動物」,「その他」に分類された動物データに対し,1)~6)のどの要素がそれらの分類に影響しているのかを判断できることを示した。

シソーラス用語： *人工知能 ,  計算機アルゴリズム ,  *クラスタ分析 ,  予測技法 ,  *自己組織化特徴マップ ,  *主成分分析 ,  判別分析 ,  パラメタリゼーション ,  *データマイニング ,  アンケート ,  自動分類

分類 (3件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (7件)： タイプ ,  人工知能 ,  アルゴリズム ,  探検 ,  学習 ,  予測 ,  自己組織化マップ