Search
決定木の分ける場所は、不純度がされるところに引く(計算できる) とか、とか、で不純度を計算する 枝かりをして、防ぐ 良い点 結構いろんなスケール/タイプのデーターでいける 順応性高い 素人にも説明ができる木が作れる 決められた範囲外のことは何もできない Tree predictionは、範囲外は何もできていない 過剰適合がしやすい で、ちょっとデーターと特徴量を欠けさせた木をたくさん作る、その多数決をとることでめっちゃ精度高くなる も避けられる 一番メジャーな回帰/分類の手法 ただ、木のメリットである説明性は減る もある、パラメーター多いけどより性能良い 事前枝刈りをした小さい木をたくさん組み合わせる #Pythonで始める機械学習...
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0207879 Complexity(さ)についてのいろんな分野(cs, bio, etc)のいろいろな話が書かれている 定量的評価難しいけど、できたらいろんな分野で価値大きいよね、と言う話 , とも関連づけ この研究は画像でやるけど、とかその他配列化できるものならなんでも理論上応用できるよと 方法 白黒画像のいろんな位置(範囲)でgray levelのヒストグラムを作って、その分散の平均を取る みたいな考え方 ヒストグラム作る範囲によって分散の平均は変わってしまうので、さまざまな解像度(=さまざまな相対的カーネルサイズ)で試す これは、スライド/黒板という用途に絞るなら事前に解像度決めちゃっても良さそう #情報科学の達人映像処理研究 "typical scale"という言葉が使われている(複雑さが見える長さみたいなイメージ?) あと、全部を加味したcomplexity indexというのも定義されている、これも使えそう?...
... > 自らの手で意図的に秩序を作り出す行為、デザインを獲得したのである 都市デザイン、建築デザイン、UIデザイン、全て構造を作ってエントロピーを減らしている > GUIの箱庭性は心地よさや楽しさを生み出す。 ...