Jubatusの機械学習ラインナップと利用シーン

Jubatusによって行える機械学習とその利用シーンを紹介します。

Jubatusの機械学習ラインナップ

・ 多値分類（Classifier）

特徴ベクトル化された入力データを複数グループに分類します。

用途：Twitterカテゴリ分け、スパムメール判定など

・ 線形回帰（Regression）

入力データから出力データを推定します。

用途：株価予測、消費電力予測など

・ クラスタリング（Clustering）

入力データを似たグループの塊（クラスタ）に振り分けます。

用途：ユーザーセグメンテーション、トピック抽出など

・ クラスタ分析（Cluster Analysis）

クラスタの構造変化などを分析します。

用途：セグメンテーション間の遷移分析、トピックの流行過程分析など

・ 統計分析（Stat）

時系列データのウィンドウ設定つき統計分析を行います。

用途：センサー監視、異常データ検知など

・ 近傍探索（Nearest Neighbor）

近傍データの探索を行います。

用途：類似検索、推薦や外れ値検知のベースラインなど

・ 推薦（Recommender）

類似するデータの推薦や、データ中の未知属性の推定を行います。

用途：検索サイト連動広告、ECサイト商品お勧めなど

・ グラフマイニング（Graph）

与えられたグラフ構造から中心点や最短経路を抽出します。

用途：ソーシャルコミュニティ分析、ネットワーク構造分析など

・ 異常検知（Anomaly Detection）

与えられたデータ集合の中から外れ値や異常な振る舞いを検知します。

用途：不正検知、障害予兆検知など

・ バースト検知（Burst Detection）

時系列データからイベントの集中的な発生を検出します。

用途：SNS上の盛り上がり検知、ネットワークアクセスの集中の検知など

・ 多腕バンディット（Bandit）

選択肢の選択と報酬の観測から選択肢の選び方を最適化します。

用途：Webコンテンツのおすすめ、オンライン広告表示の最適化など

特徴ベクトルコンバータ

これらの機械学習を行うため、Jubatusでは特徴ベクトルコンバータを備えています。

特徴ベクトルとは、データの性質やパターンを表す特徴をn個の数値の組み（n次元のベクトル）として表現するものです。

世の中に存在する現象や自然言語などは、そのままの形では機械学習することができないため、それらのデータを特徴ベクトルに変換した上で機械学習を行います。