最近傍アプローチは、過去に経験した類似の状況を元に分析を行う手法で、分類、推定、予測などの問題を解くために用いられ、記憶ベース推論、協調フィルタリングとしてよく説明されている。
記憶ベース推論で「k-NN（k-Nearest-Neighbor法）」とよく表現されるが、イメージは下の図である。
図のように、k個の近傍データを使用することから概念がイメージできる。
図のように、k個の近傍データを使用することから概念がイメージされる。
＊＊＊kの予測の影響＊＊＊
予測に求めることは、分散が小さく「実際の値とのズレが小さい、こと」である。このことを踏まえると、kを多くとると分散減少は減少する。が、もし、実際の値から外れていて分散が小さかったら・・・
つまり、やみくもに大きくしても予測精度は上がらない・・・
最適なkの値はデータの構造によって異なるのでk=1、3、5などいろいろ試してみることがお薦めである。
協調フィルタリングでは、予測する場合、類似ユーザの好みに基づいて，対象ユーザの好みに合いそうなアイテムを予測していることから、イメージは図のようになる。
Amazonで類似ユーザーが高く評価した本が推薦される、などはこの好例である。
（「Wekaを起動する（記憶ベース推論②）」了）
--> 次回は「ニューラルネットワーク」です。
＊ブログ中の図はクリックすれば、拡大されます。
＊本ブログ記事の下「Labels」の「データマイニング」をクリックすると、データマイニングに関する記事が一括掲載されます。
