  |
はてなキーワード: ユニバーサルとは
決定木は、質問を使って答えを見つけるゲームのようなものです。木の形をした図を使って、質問と答えを整理します。例えば、「今日は外で遊べるかな？」という大きな質問から始めます。
まず「雨が降っていますか？」と聞きます。「はい」なら「家で遊ぼう」、「いいえ」なら次の質問に進みます。次に「宿題は終わっていますか？」と聞きます。「はい」なら「外で遊ぼう」、「いいえ」なら「宿題をしてから遊ぼう」となります。
このように、質問を重ねていくことで、最終的な答えにたどり着きます。決定木は、こうした「もし〜なら」という考え方を使って、物事を順序立てて考えるのに役立ちます。
決定木は、機械学習における重要な分類・回帰アルゴリズムの一つです。データを特定の特徴に基づいて分割し、ツリー構造を形成することで、新しいデータの分類や予測を行います。
4. 枝：各ノードを結ぶ線、条件を表す
2. その特徴に基づいてデータを分割
3. 各サブセットに対して1と2を再帰的に繰り返す
4. 停止条件（深さ制限や最小サンプル数など）に達したら終了
決定木の利点は、解釈が容易で直感的であること、非線形の関係性も捉えられること、特徴量の重要度を評価できることなどです。一方で、過学習しやすい傾向があり、小さなデータの変化に敏感に反応する欠点もあります。
決定木は、分類および回帰問題に適用可能な非パラメトリックな監督学習アルゴリズムです。特徴空間を再帰的に分割し、各分割点で最適な特徴と閾値を選択することで、データを階層的に構造化します。
決定木の構築プロセスは、以下の数学的基準に基づいて行われます：
ここで、H(S)はエントロピー、Svは分割後のサブセット、piはクラスiの確率、yiは実際の値、ŷiは予測値を表します。
1. 事前剪定（Pre-pruning）：成長の早期停止
2. 事後剪定（Post-pruning）：完全に成長した木を後から刈り込む
決定木の性能向上のために、アンサンブル学習手法（ランダムフォレスト、勾配ブースティング木など）と組み合わせることが一般的です。
決定木は、特徴空間の再帰的分割に基づく非パラメトリックな監督学習アルゴリズムであり、分類および回帰タスクに適用可能です。その理論的基盤は、情報理論と統計学に深く根ざしています。
決定木の構築アルゴリズムとして最も一般的なのは、CART（Classification and Regression Trees）です。CARTは以下の手順で実装されます：
決定木の拡張：
これらの高度な手法により、決定木の表現力と汎化性能が向上し、より複雑なパターンの学習が可能となります。
決定木は、特徴空間Xの再帰的分割に基づく非パラメトリックな監督学習アルゴリズムであり、その理論的基盤は統計的学習理論、情報理論、および計算学習理論に深く根ざしています。
決定木の数学的定式化：
Let D = {(x₁, y₁), ..., (xₙ, yₙ)} be the training set, where xᵢ ∈ X and yᵢ ∈ Y. The decision tree T: X → Y is defined as a hierarchical set of decision rules.
For classification: P(y|x) = Σᵢ P(y|leaf_i) * I(x ∈ leaf_i)
For regression: f(x) = Σᵢ μᵢ * I(x ∈ leaf_i) where I(·) is the indicator function, leaf_i represents the i-th leaf node.
決定木の最適化問題： min_T Σᵢ L(yᵢ, T(xᵢ)) + λ * Complexity(T) where L is the loss function, λ is the regularization parameter, and Complexity(T) is a measure of tree complexity (e.g., number of leaves).
H(Y|X) = -Σᵧ Σₓ p(x,y) log(p(y|x))
I(X;Y) = H(Y) - H(Y|X)
2. ジニ不純度：
Gini(t) = 1 - Σᵢ p(i|t)²
MSE(t) = (1/|t|) * Σᵢ (yᵢ - ȳ_t)²
1. 一致性と収束速度： 決定木の一致性は、Breiman et al. (1984)によって証明されました。収束速度はO(n^(-1/(d+2)))であり、dは特徴空間の次元です。
2. バイアス-バリアンストレードオフ：深い木は低バイアス・高バリアンス、浅い木は高バイアス・低バリアンスとなります。最適な深さは、バイアスとバリアンスのトレードオフによって決定されます。
3. 決定木の表現力：任意のブール関数は、十分に深い決定木で表現可能です。これは、決定木がユニバーサル近似器であることを意味します。
4. 計算複雑性理論：最適な決定木の構築はNP完全問題であることが知られています（Hyafil & Rivest, 1976）。そのため、実用的なアルゴリズムは貪欲な近似アプローチを採用しています。
5. 正則化と構造リスク最小化：L0正則化（葉ノード数のペナルティ）やL2正則化（葉ノードの予測値に対するペナルティ）を用いて、構造リスク最小化原理に基づいたモデル選択を行います。
6. 情報幾何学的解釈： 決定木の学習過程は、特徴空間上の確率分布の漸進的な分割と見なすことができ、情報幾何学の観点から解析可能です。
7. カーネル決定木：非線形カーネル関数を用いて特徴空間を暗黙的に高次元化し、より複雑な決定境界を学習する手法です。
8. 量子決定木：量子コンピューティングの原理を応用し、古典的な決定木を量子系に拡張した手法です。量子重ね合わせを利用して、指数関数的に多くの分岐を同時に評価できる可能性があります。
これらの高度な理論と技術を組み合わせることで、決定木アルゴリズムの性能と適用範囲を大幅に拡張し、より複雑な学習タスクに対応することが可能となります。
見た感じMrs. GREEN APPLEの独断でああなって、コカコーラは完全な被害者っぽいけど、広告全部廃棄になってコーラを買ってライブに招待みたいな企画も中止で、生じた莫大な損害はMrs. GREEN APPLEが払うってこと？
・類人猿
・楽しげなMV
類人猿が登場することに関しては、差別的な表現に見えてしまう恐れがあるという懸念を当初から感じておりましたが、類人猿を人に見立てたなどの意図は全く無く、ただただ年代の異なる生命がホームパーティーをするというイメージをしておりました。
しかしながら、意図とは異なる伝わり方もするかもしれないと思い、スタッフと確認し合い、事前に特殊メイクのニュアンス、衣装、演じ方のフォロー、監修をしていたつもりではおりましたが、そもそもの大きな題材として不快な思いをされた方に深くお詫び申し上げます。
https://mrsgreenapple.com/news/detail/20374
「歴史や文化的な背景への理解に欠ける表現が含まれていたため、公開を停止することといたしました。当社における公開前の確認が不十分であり、皆様にご迷惑をおかけしたことを深くお詫び申し上げます」
「コカ・コーラ社はいかなる差別も容認しておりません。今回の事態を遺憾に受け止めております。本楽曲を使用したすべての広告素材の放映を停止させていただきました。また、弊社ではミュージックビデオの内容に関しましては、事前に把握をしておりません」
ワーナーのが一番好き。ロゴ自体がかっこいいので印象的。ハリーポッターのも印象的だけど、マトリックスのやつが一番かっこいい。
コロンビアの女神はイジり映えする。MARVELのアレが続かないとちょっと違和感すらある。
ユニバーサルのはこれから映画だぁって感じがする。BGMがなんとなくBTTFっぽい。
東映のハイパースペースみたいな背景から無音でボォ……と浮かび上がってくんのも嫌いじゃない。ゴジラの鳴き声が聞こえてきそう。
でもパラマウントはなんかつまんない。
配給会社は印象的だけど、制作会社？は種類多いからあんまり覚えてない。
なんか三日月に乗ってるやつが釣り糸垂らしてるやつは割と覚えてる。
木に雷が落ちて葉っぱが生えるやつはかっこいい。
あと最近ジェットコースターが落っこちるやつもよく見る。アリババだっけ。中国かどっかのスタジオ。
エンドロールは長すぎるので嫌い。ポスクレがあった可能性にモヤモヤするのが嫌だから一応待機してるけど。エンディングの短さは大真面目に邦画の良い所の一つだと思う。
自分の言いたいことが伝わればいいという発想で言葉をとらえ、相手が期待しているキャッチボールを理解しないと、
英語で話しかけていようが現地語で話しかけていようが、それは日本語で話しかけているも同然だ。
日本では、お客様は神様という文化だから、お店の人が挨拶してきても黙ってればいいし、何か応答したいときも表情だけで伝えればいいことが多い。
「またのご利用お待ちしております。」に慣れていると、よその国のスーパーのレジでエンジョイユアディナーなんて言われてレシートを渡されるとなんて答えていいかわからない。
エレベーターに乗り込んだ時に、すでに見知らぬ人が中にいたときに、目が合えばお互いに「どうも」という習慣がある国だってたくさんある。
日本人はウチとソトの使い分けがあって、組織内部や取引先などの目上の人に対してはバカ丁寧なあいさつをし、目下にはガキ扱いなコミュニケーションをしがち。
そのくせに、外では無礼でも乱暴でも気にしない。お店や公共サービスへの度を越したクレームとか、自動車同士のいざこざとか煽り運転とか、そういうのはソトでのコミュニケーションスキルの欠如なんだよ。
見知らぬ人とのコミュニケーションは苦手。だから海外にいっても、その国では見知らぬ人同士で普通はするだろう挨拶や習慣をガン無視しがちなんだよね。
相手からすると、挨拶もできないくせに、自分の聞きたいことだけ英語できいてくる、みたいな失礼な態度にみえてしまう。
日本人は横柄で傲慢、なんか壁があるけどだけど外国人だからしょうがないか、なんだよね。
特に日本の組織文化の内輪のコミュニケーションに慣れ切った中年以降の日本人にそういう傾向が強いと感じる。
こういう傾向が自分たちのなかにあるって知ることは言葉を学ぶ上で、文法やボキャブラリー以上に重要なことだと思う。
このAI時代、見知らぬ土地で翻訳に苦労することはかつてほどなくなった。その意味ではユニバーサル言語として英語を勉強する必要すらない時代になってきた。
スーパーでスマホをかざせばアラビア語やベンガル語の商品名がわかる、みたいなボキャブラリーを身に着けなくとも、言葉がわかるようになってきた時代。
元増田は
とかドヤ顔でいってるけど、いまやポケトークがあれば、たいていの言語が対応していて、もはやオール日本語で通してOKだよ。
見知らぬ国で交通事故に巻き込まれ病院で何か聞かれたとしても、翻訳機とグーグルレンズで乗り切れるだろう。
でも、そこまで便利な時代になってなお、言葉を学ぶ意味があると思うのは、例えば
「ごきげんよう」に対して、「あなたもね」と返す文脈がその国にあると知ることができるからだ。
しかし、日本人は内輪の空気には敏感で、仲間内で自分がどうみられるかには気を遣うけど、ソトのひとからどうみられるかにあまり関心がない。
そのうちAiもさらに進化して、こういうときにはこういう返事をしなさい、と教えてくれるかもしれないけど、
もうそうなったら人として終わりだと思う。
だから飛行機事故が起こるとパイロットの過失ではなくて、そのシステムそのもの欠陥を追求する仕組みが形成されていくための素地があった。
しかし、これが普通の自動車事故となると千差万別の技量の人間が運転することになるのでその事故は運転者の過失が追求される傾向にある。
こういった要素も自動車の事故回避するための設計変更の圧力がかからない理由だ。
もちろんユニバーサルでその運転方法に互換性をもたせるということが最も重要な理由なのはわかる。
だが、これほど長い年月に渡ってその基本設計が変更されないほど、現在の自動車の運転体系が優れているとは思えない。
