データがあるとき、機械学習を使って予測して、報告・発表する方法 その１ー大まかな分類

　新しいシリーズをやろうかどうか考えているんだけど（表題の件）、需要があるかどうかわからないので、とりあえず書いてみて、この記事の読まれ方で決めてみたいと思います（つまり、その２がなかったら、需要がなかった、見る人少なかったってこと）。

---

　データがあって、何らかの予測をしたいとき、どういう手法を使って、どうやってその予測を説明、報告するかについて、書いていってみたいと思います。

　ここでいう説明というのは
・予測値は、これこれである
・その予測値が出た理由は、これこれこうであり、
・予測値を改善するには、これこれをすればよい
という３点が言えることと考えます。

---

■予測の出し方・説明の仕方は、大きく分けると
　モデルを使うか／例を出すかの２種類

　予測を出すとき、入力がこうだと、出力はこうなるという数式や関数、ルール（これをモデルと、ここでは言います）を用いて予測を出す「モデルを使う方法」と、この入力値は、これに似ているので、これと同じ出力になるはずという「例に基づいて判断する方法」の２つがあります。

　たとえば、アイスクリームの売り上げ予測をするとき、気温、湿度、天気などの要因を入力項目とし、「この入力値であれば、いくつ売れるはず」と売り上げを予測するのが、「モデルを使う方法」で、

　似たアイスクリームを探して、「これはガリガリ君に似ている。ガリガリ君は昨日１０本売れたので、明日はあ、ガリガリ君とこの製品を合わせて１０本ぐらい売れるだろう」と似ているものを探して推測するのが「例に基づいて判断する方法」。

---

■モデルを使う方法に２通り
　モデルを使って予測・報告する場合、「線形回帰」など、モデルの構造が明確になっていて、入力値と出力値の関係が説明できるモデル（＝ホワイトボックスモデルという）を使って予測・報告する場合と、「ＤＮＮ」やアンサンブル学習など、入力値と出力値（予測値）の関係が複雑で説明できないモデル（＝ブラックボックスモデルという）を使って予測・報告する場合があります。

　ホワイトボックスモデルを使う場合は、予測のときに使ったモデルごとに、説明の方法があります（ただし、説明の流れは同じ）。

　ブラックボックスモデルの場合、複雑で説明できない・・・と昔はなっていたのですが、今は、モデルにかかわらず、汎用的な説明方法がありますので、それを使って説明することになります。この汎用的に説明する手法が「説明可能なＡＩ」（ＸＡＩ）になります。

---

■例を使う方法
　まず、何に似ているかを決めます。
　Ｋ近傍法（k-nn）などが使えます。

　そして、その似ているものの出力を確かめます。
　そうすると、似ているものも、そのくらいかなと予測が立ちます。

---

もし、次回があったら、「ホワイトボックスモデル」について、線形回帰を用いて予測・報告する方法についてシェアしたいと思います。