用語集

分類の決定でモデルが正しく予測した割合。これは、数値の決定ではより複雑になります。

ヒューマンインザループに特定の入力に対する出力の提供を要求する機械学習（ML）手法です。マシンはこの入力を使用して学習速度を最適化し、ヒューマンインザループとのやり取りの回数を最小化します。「ガイド付き学習」も参照してください。

データの学習、変数間の関係分析、新しいデータの予測のためのユーザー入力を必要としない機械学習システム。典型的な例は、Automatic Statisticianです。

2つの値（通常はtrueまたはfalse）のいずれかを取得するカテゴリー変数。

モデルの入力と結果の予測をレビューし、必要に応じてモデルの決定を上書きするプロセス。

固定された値のセットから1つ値を取得する変数。値が順序付けられていない場合は「名義」カテゴリー変数、値が順序付けられている場合は「順序」カテゴリー変数です。

「信頼度」を参照してください。

ルールの一部。ルールを適用するには、すべてのルールの条件が満たされている必要があります。（例：stock room = full）。「制約」とも呼ばれます。

モデルの予測がどの程度確実であるかを定義します（100回のうち、正しく予測できる回数など）。「確実性」とも呼ばれます。

問題内の変数のデータ型。（カテゴリー変数または数値変数）。

「出力変数」を参照してください。

「ルール」を参照してください。

ヒューマンインザループに特定の出力に対する入力の提供を要求する機械学習（ML）手法です。マシンはこの出力を使用して学習速度を最適化し、ヒューマンインザループとのやり取りの回数を最小化します。「アクティブラーニング」も参照してください。

機械学習のメソッドまたは自動化にガイダンスを提供する人間。

意思決定プロセスへの入力。

モデルが入力の重要度を決定するために入力変数に与える、他の入力変数との相対値。値が大きいほど、その変数がより重要であることを示します。一部のモデルでは、ユーザーがこれらの重量を変更できます。特徴量の重要度または重みとも呼ばれます。

機械学習モデルまたはノンパラメトリック統計モデル。k近傍法（kNN）に基づいて、トレーニングデータの入力に対する入力の予測（カテゴリーまたは数値）を作成します。最近傍は等しく考慮（重みなしkNNモデル）、または距離の逆数または類似性によって重み付け（重み付きkNNモデル）できます。

機械が自ら学習するシステム。

与えられた一連の機能に基づいて結果（判断）を予測する機械学習システム。

変数に対して入力された値と類似していると考えられるサンプルのサブセット。「kNNモデル」を参照してください。

プログラミングせずに構成できるシステム。通常、エンジニアではなくビジネスユーザー向けに設計されています。

順序付けされていないカテゴリー変数。（「猫」、「馬」、「犬」など）。

問題の構造についての仮説をあまり立てずにデータを学習する機械学習モデル。通常、標準的なパラメトリック統計モデルよりも柔軟です。

範囲内の任意の値を取得する変数。（1、1.2、100、-3など）。

順序付けされているカテゴリー変数。（「小」、「中」、「大」など）。

意思決定プロセスの結果。「判断」とも呼ばれます。

Decisionモデルに対するユーザー定義の例外。条件または制約のリストであり、満たされた場合は結果が特定の値になるよう強制します。「例外」とも呼ばれます。

出力変数値に関連する可能性のある、入力変数値の1つの完全なセットであるデータポイント。

「kNNモデル」を参照してください。

入力変数または出力（判断）変数の総称。