4.2 機械学習手法の選択

CREATE_MODELおよびCREATE_MODEL2 プロシージャに使用可能なOracle Machine Learning for SQL機械学習機能について説明します。

OML4SQLの機械学習手法は、モデル化して解決できる問題の種類を指定します。機械学習の指定には、CREATE_MODELおよびCREATE_MODEL2プロシージャのmining_function引数を使用します。

OML4SQLの機械学習機能は、教師あり学習または教師なし学習のいずれかを実装しています。教師あり学習では、独立属性のセットを使用して従属属性の値またはターゲットを予測します。教師なし学習では従属属性と独立属性は区別されません。教師あり機能は予測的です。教師なし機能は記述的です。

ノート:

OML4SQLの用語では、機能(function)とは、特定の機械学習アプローチを使用して解決される問題の一般的な種類です。SQL言語の用語では、関数(function)は結果を戻す操作です。

OML4SQLのドキュメントでは、機能または機械学習機能という用語は、OML4SQLの機械学習機能を意味します。SQL関数またはSQL機械学習関数という用語は、スコアリングのためのSQL関数を意味します(機械学習モデルの適用)。

CREATE_MODELおよびCREATE_MODEL2プロシージャのmining_functionパラメータには、次の表の任意の値を指定できます。

表4-71 Oracle Machine Learningのmining_function値

mining_functionの値	説明
ASSOCIATION	相関(Association)は、記述機械学習機能の一種です。相関モデルによって、データ・セット内に存在する関係とその発生確率が識別されます(相関ルール)。 相関モデルではAprioriアルゴリズムが使用される。
ATTRIBUTE_IMPORTANCE	属性評価(Attribute importance)は、予測機械学習機能の一種です。属性評価モデルは、特定の結果を予測する中で属性の相対的な重要度を識別する。 属性評価モデルでは、最小記述長アルゴリズムとCUR行列分解が使用されます。
CLASSIFICATION	分類(Classification)は、予測機械学習機能の一種です。分類モデルは、履歴データを使用して質的ターゲットを予測する。 分類モデルでは、Naive Bayes、ニューラル・ネットワーク、デシジョン・ツリー、ロジスティック回帰、ランダム・フォレスト、サポート・ベクター・マシン、明示的セマンティック分析またはXGBoostを使用できます。デフォルトはNaive Bayes。 1クラスSVMモデルおよび多変量状態推定手法 - 順次確率比率テスト・モデルの異常検出に分類機械学習機能を指定することもできます。
CLUSTERING	クラスタリング(Clustering)は、記述機械学習機能の一種です。クラスタリング・モデルは、データセットの中で自然なグループを識別する。 クラスタリング・モデルでは、k-Means、O-Clusterまたは期待値の最大化を使用できます。デフォルトはk-Means。
FEATURE_EXTRACTION	特徴抽出(Feature Extraction)は、記述機械学習機能の一種です。特徴抽出モデルは、最適化された属性のセットを作成する。 特徴抽出モデルでは、Non-Negative Matrix Factorization、特異値分解(主成分分析にも使用可能)または明示的セマンティック分析が使用される。デフォルトはNon-Negative Matrix Factorization。
REGRESSION	回帰(Regression)は、予測機械学習機能の一種です。回帰モデルは、履歴データを使用して量的ターゲットを予測する。 回帰モデルでは、サポート・ベクター・マシン、GLM回帰またはXGBoostが使用されます。デフォルトはサポート・ベクター・マシン。
TIME_SERIES	時系列(Time series)は、予測機械学習機能の一種です。時系列モデルは、ユーザー指定の時間ウィンドウに渡って時間順に並べられた過去の数値データに関する将来の値を予測します。時系列モデルでは、指数平滑法アルゴリズムが使用されます。デフォルトは指数平滑法です。