Just another WordPress site
とあるカメラメーカーのエンジニアが顔認証技術を応用して、画面内の人物が「日本人」かどうかを判定できる AI を開発しました．
早速、この AI を搭載したカメラで、たまたま側を通りかかった「東アジア系の男性」を撮影してみました．
すると、AI の判定結果は「日本人ではい」となりました．
この男性が Q1 or Q2 の時、この判定結果は混同行列の要素 1 ~ 4 のうち、どれに当てはまるか選んでください．
Q1：この男性は日本人である．
Q2：この男性は中国人である．
1. 真陽性
2. 真陰性
3. 偽陽性
4. 偽陰性
とあるカメラメーカーのエンジニアが顔認証技術を応用して、画面内の人物が「日本人」かどうかを判定できる AI を開発しました．
早速、この AI を搭載したカメラで、たまたま側を通りかかった「東アジア系の男性」を撮影してみました．
すると、AI の判定結果は「日本人」となりました．
この男性が Q1 or Q2 の時、この判定結果は混同行列の要素 1 ~ 4 のうち、どれに当てはまるか選んでください．
Q1：この男性は日本人である．
Q2：この男性は中国人である．
1. True Positive (TP)
2. True Negative (TN)
3. False Positive (FP)
4. False Negative (FN)
以下の文章の空欄 Q1、Q2 に適する言葉を選択肢 1 ~ 4 からそれぞれ選んでください．
探索空間が大きい時には、 (Q1_____) ではなく (Q2____) を使った方が良い．
1. 主成分分析
2. ホールドアウト法
3. ランダムサーチ
4. グリッドサーチ
ハイパーパラメータを説明している以下の文の空欄 Q1 に入る適切な言葉を選択肢 1 ~ 3 から選んでください．
ハイパーパラメータとは ML モデルが持つパラメータの中で ( Q1_____ ) が調節をしないといけないパラメータのことである．
1. 人
2. AI
3. 神さま
以下の文の空欄 Q1 に入る適切な言葉を選択肢 1 ~ 3 から選んでください．
( Q1_____ ) とは、 ML モデルが持つパラメータの中で人が調節をしないといけないパラメータのことである．
1. 自由度
2. 平均情報量（エントロピー）
3. ハイパーパラメータ
以下の文の空欄 Q1 に入る適切な言葉を選択肢 1 ~ 3 から選んでください．
（Q1 ____ ) とは、線形回帰モデルや、ランダムフォレストのような機械学習モデルをクラスとして用意している Python のライブラリである．
[選択肢]
1. scikit-learn
2. Numpy
3. Pandas
4. keras
以下の文の空欄 Q1 に入る適切な言葉を選択肢 1 ~ 3 から選んでください．
（Q1 ____ ) とは、線形回帰モデルや、ランダムフォレストのような機械学習モデルをクラスとして用意している Python のライブラリである．
[選択肢]
1. TensorFlow
2. Pytorch
3. Keras
4. scikit-learn
scikit-learn で取り扱っているカテゴリのうち、正しくないものを 選択肢から 1 つ選んでください．
[選択肢]
1. 前処理: より高度な欠損値の処理や順序特徴量などの処理
2. 分類: ロジスティック回帰やサポートベクターマシンや決定木による分類
3. 回帰: 線形回帰、Lasso回帰、Ridge回帰、SVM回帰などの回帰
4. クラスタリング: 特徴の似ているものでグルーピング
5. 次元削減: 多次元のデータの次元を削減
6. 畳み込み演算：画像から畳み込みによってエッジなどの特徴を抽出
7. モデル選択: 過学習を避ける方法やパラメーターのチューニングやアンサンブル学習
次のコードで空欄になっている行に入る適切な選択肢を 1 ~ 3 から選び、
グリッドサーチによって SVM の最適なハイパーパラメータを探索してください．
import scipy.stats
from sklearn.datasets import load_digits
from sklearn.svm import SVC
# Q1：GridSearchCV クラスをインポートしてください．
from ########## import GridSearchCV
[Q1選択肢]
1. sklearn.model_selection
2. skleran.linear_model
3. sklearn.tree
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score
data = load_digits()
train_X, test_X, train_y, test_y = train_test_split(data.data,
data.target, random_state=42)
model_param_set_grid = {SVC(): {
“kernel” : [“linear”, “poly”, “rbf”, “sigmoid”],
“C” : [10 ** i for i in range(-5, 5)],
“decision_function_shape” : [“ovr”, “ovo”],
“random_state” : [42]}}
max_score = 0
best_param = None
for model, param in model_param_set_grid.items():
# Q2：GridSearch でモデルのパラメータをサーチしてください．
clf = ##########
clf.fit(train_X, train_y)
pred_y = clf.predict(test_y)
score = f1_score(test_y, pred_y, average=”micro”)
if max_score < score: max_score = score [Q2の選択肢] 1. GridSearchCV(model, param) 2. GridSearchCV(model) 3. GridSearchCV(param) # Q3：最適なパラメータを変数 best_param に代入してください． best_param = ########## print("パラメータ : {}".format(best_param)) print("ベストスコア : ", max_score) svm = SVC() svm.fit(train_X, train_y) print() print('調整なし') print(svm.score(test_X, test_y)) [Q3の選択肢] 1. clf.best_ 2. clf.params 3. clf.best_params_
次のコードで空欄になっている行に入る適切な選択肢を 1 ~ 3 から選び、
グリッドサーチによって SVM の最適なハイパーパラメータを探索してください．
import scipy.stats
from sklearn.datasets import load_digits
from sklearn.svm import SVC
# Q1：GridSearchCV クラスをインポートしてください．
from ########## import GridSearchCV
[Q1選択肢]
1. sklearn.ensemble
2. skleran.model_selection
3. sklearn.decomposition
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score
data = load_digits()
train_X, test_X, train_y, test_y = train_test_split(data.data,
data.target, random_state=42)
model_param_set_grid = {SVC(): {
“kernel” : [“linear”, “poly”, “rbf”, “sigmoid”],
“C” : [10 ** i for i in range(-5, 5)],
“decision_function_shape” : [“ovr”, “ovo”],
“random_state” : [42]}}
max_score = 0
best_param = None
for model, param in model_param_set_grid.items():
# Q2：GridSearch でモデルのパラメータをサーチしてください．
clf = ##########
clf.fit(train_X, train_y)
pred_y = clf.predict(test_y)
score = f1_score(test_y, pred_y, average=”micro”)
if max_score < score: max_score = score [Q2の選択肢] 1. GridSearchCV(param) 2. GridSearchCV(model) 3. GridSearchCV(model, param) # Q3：最適なパラメータを変数 best_param に代入してください． best_param = ########## print("パラメータ : {}".format(best_param)) print("ベストスコア : ", max_score) svm = SVC() svm.fit(train_X, train_y) print() print('調整なし') print(svm.score(test_X, test_y)) [Q3の選択肢] 1. clf.best_params_ 2. clf.coef_ 3. clf.intercept_