NeuralNetworkConsoleとは
Neural Network Console(ニューラルネットワーク コンソール)は、Deep Learning の統合開 発環境です。Deep Learning を用いた研究開発におけるネットワークの設計、ネットワーク構造 の探索による試行錯誤の大幅な効率化を実現します。ネットワークのデザインについて視覚的に 把握することができるため、Deep Learning の学習用途にも最適です。（NeuralNetworkConsole の manual_ja.pdf から抜粋）
|
|
![[商品価格に関しましては、リンクが作成された時点と現時点で情報が変更されている場合がございます。]](https://hbb.afl.rakuten.co.jp/hgb/1717f1b9.e908d8d3.1717f1ba.219aefc1/?me_id=1213310&item_id=18938092&m=https%3A%2F%2Fthumbnail.image.rakuten.co.jp%2F%400_mall%2Fbook%2Fcabinet%2F1142%2F9784865941142.jpg%3F_ex%3D80x80&pc=https%3A%2F%2Fthumbnail.image.rakuten.co.jp%2F%400_mall%2Fbook%2Fcabinet%2F1142%2F9784865941142.jpg%3F_ex%3D128x128&s=128x128&t=picttext "[商品価格に関しましては、リンクが作成された時点と現時点で情報が変更されている場合がございます。]")
- 新規プロジェクトを作成
- データセットの選択
- ネットワークの作成
・コンポーネントの配置
・コンポーネントのパラメータ設定 - 学習条件と最適化の設定
- NeuralNetworkConsole で学習の実行結果
- 自動最適化で学習の実行結果
- この後に評価の実行
Neural-Network-Console を利用して 指原莉乃を識別する という内容のグログがあって興味深い内容でした。
RapidMinerも入れてみた
RapidMinerに関する連載が参考になるかも←連載はこちら
Pythonではじめる機械学習（O'REILLY）より
- 最近傍法
小さいデータに関しては良いベースラインとなる。説明が容易 - 線形モデル
最初に試してみるべきアルゴリズム。非常に大きいデータセットに適する。非常に高次元のデータに適する。 - ナイーブベイズ
クラス分類にしか使えない。線形モデルよりもさらに高速。非常に大きいデータセット、高次元データに適する。線形モデルよりも劣ることが多い。 - 決定木
非常に高速。データのスケールを考慮する必要がない。可視化が可能で説明しやすい - ランダムフォレスト
ほとんどの場合単一の決定木よりも高速で、頑健で、強力、データのスケールを考慮する必要がない。高次元の疎なデータには適さない。 - 勾配ブースティング決定木
多くの場合ランダムフォレストよりも少し精度が高い。ランダムフォレストよりも訓練に時間がかかるが、予測はこちらのほうが早く、メモリ使用量も小さい。ランダムフォレストよりもパラメータに敏感。 - サポートベクタマシン
同じような意味を持つ特徴量からなる中規模なデータセットに対しては強力。データのスケールを調整する必要がある。パラメータに敏感。 - ニューラルネットワーク
非常に複雑なモデルを構築できる。特に大きなデータセットに有効。データのスケールを調整する必要がある。パラメータに敏感。大きなモデルは訓練に時間がかかる。