第1章
第2章
第3章
第4章
第5章
第6章
第7章
- 7.1モデル評価と選択 - バイアス・バリアンスとモデル複雑度
- 7.2クロスバリデーション - 限られたデータを最大限に活用する
- 7.3バイアス・バリアンス分解
- 7.4訓練誤差の楽観性と情報量規準
- 7.5有効パラメータ数とBIC(ベイズ情報量規準)
- 7.6モデル選択の理論的基盤 - 最小記述長とVC次元
- 7.7ベイズアプローチとBIC
- 7.8ブートストラップとテスト誤差の哲学
- 7.9Vapnik–Chervonenkis Dimension(VC次元)
- 7.10クロスバリデーション — データの一部を「未来のフリ」にする技
- 7.117.11 ブートストラップ法
- 7.127.12 条件付きテスト誤差か、期待テスト誤差か
第8章
第9章
第10章
- 10.1ブースティングとAdaBoost
- 10.2損失関数の選択とブースティング木
- 10.3勾配ブースティング — 損失を勾配で削る
- 10.4指数損失とAdaBoost — 神秘の公式はどこから来たのか
- 10.5指数損失の正当性 — AdaBoostが「正しかった」証拠
- 10.6損失関数とロバスト性 — AdaBoostの「美しさ」が抱えた弱点
- 10.7"既製品"手順 — なぜ決定木が現場で愛されるのか
- 10.8スパムフィルタとブースティング木 — 弱い木の累積が「最強」を生む
- 10.9ブースティング木の「ちょうど良い大きさ」— なぜ4枚葉が黄金比なのか
- 10.10勾配ブースティングの正則化 — 「ゆっくり、少しずつ」がなぜ最強なのか
- 10.11ブースティングの解釈 — 500本の木が語る変数の声
- 10.12実例で見るGBM — 隠れた構造を語らせる