機械学習手法の分類手法を「人間をゴリラと間違える事例」で使ったらどうなるかで説明してみる

機械学習の分類手法は、こんなかんじ
　決定木：分類基準がわかる。Whitebox
　SVM：くっきりはっきり分かれ目（サポートベクタ）がわかる場合、有力
　ディープラーニング：分かれ目ははっきりしないとき、～っぽいという区別がしたいとき＊
　ランダムフォレスト：ディープラーニングでやったものより、精度を上げたいとき
　アンサンブル：（結局組み合わせなので）精度を上げたいとき

＊ディープラーニングは分類の理由がはっきりしない（Blackbox）。なので、分類基準がはっきりできない、させたくないときに有効。

このほかに、ABCのどれかを分類したいとき、「Aがどうか」「Bがどうか」「Cがどうか」をロジスティック回帰でやる方法もある。逆に「その線はね～よ」と消したいときや、説明変数が回帰向き（だけど、分類に回帰はふつう使わない）のときいいかも。
回帰向き：説明変数間が独立だが、目的変数に対し、「連続量で」効いて（寄与して）くる

---

このちがいを「人間をゴリラと間違える事例」で使ったらどうなるかで説明してみる

ディープラーニング：
　過学習させて、この人は、ゴリラに分類されるんだけど、この人だけは、ゴリラの中でも人間と表示するというふうにしてしまう。分類理由（基準）はブラックボックスなので、ゴリラに本当は分類されていることはバレないので、問題なく分類できる。

SVM
　カーネルトリックを使って、この人をゴリラから分離でき、それがほかの人間と一緒というサポートベクタが引けないとできない・・・難しいと思う。

決定木
　理由がわかってしまう。ディープラーニングの方法では、「じつはゴリラに分類されているんだけど」ってことがバレバレになる。激怒され、大問題。

ランダムフォレスト
　データが多くて、ディープラーニングの精度が悪ければあり

アンサンブル
　ディープラーニングの精度が悪ければあり

ロジスティック回帰
　ゴリラかときいて、その可能性が高ければ、激怒される（たとえ、人間の可能性も高く、最終的に人間と分類できたとしても）