分類木は、止める指示を出すか、分割統治に使えるデータが尽きるまで、無限に成長できます。
自然の木と同様に、過度に大きく成長した分類木は、余分な成長を抑えるために剪定が必要になることがあります。ただし、一般的には、その結果として学習データ上で正しく分類できる例は減ります。
それでも、なぜ事前剪定や事後剪定はほぼ常に使われるのでしょうか？
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
kNNアルゴリズムは文字どおり「例から学ぶ」ため、Supervised Machine Learningを理解し始めるのに最適な題材です。この章では、kNNを自動運転車の道路標識認識に適用しながら、分類の基礎を紹介します。
ナイーブベイズは統計学の原理を用いて予測を行います。この章では、ベイズ手法の基本を紹介し、iPhoneのような目的地候補の提案にこれらの手法をどのように応用できるかを探ります。
ロジスティック回帰は、数値データに曲線を当てはめて二値の事象を予測します。最も広く使われているMachine Learning手法の一つといえるこの手法について、概要を示しつつ、寄付（ファンドレイジング）データへの適用方法を解説します。
分類木はフローチャートのような構造で意思決定を行います。人間が直感的に理解しやすい構造のため、融資審査のように透明性が求められる場面で有用です。ここではLending Clubのデータセットを使ってこのシナリオを再現します。
現在の演習
