research 『音による故障予知の教科書たたき台：7.9 スケーリングと正規化』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.9 スケーリングと正規化 まず土台となる考え方をやさしく整理する。スケーリングと正規化は、数値特徴の“物差し”をそろえる前処理である。センサAは0〜1の小さな値、センサBは0〜10,000の大きな値、というように桁や単位が大きく違うと、距離にもとづく手法や勾配降下で学ぶ手法は“大きい桁の特徴”... 2025年8月28日
research 『音による故障予知の教科書たたき台：7.10 モデル保存・再利用』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.10 モデル保存・再利用 一度学習して手に入れたモデルは、時間や計算資源をかけた資産である。これを「保存」しておけば、次に使うときにゼロから学習し直す必要がなく、結果の再現や比較、共有が容易になる。保存には、モデルの中身（重みや構造）をファイル化する「シリアライズ」という手法を使い、あとで読み... 2025年8月28日
research 『音による故障予知の教科書たたき台：7.11 ハイパーパラメータ調整法』LLMと一緒に書いてみた—AIが導く研究メモ 7. 機械学習の基本 7.11 ハイパーパラメータ調整法 ハイパーパラメータとは、学習アルゴリズムのふるまいを外側から決める設定項目のことで、学習率、木の深さ、正則化の強さ、カーネルの幅（γ）などが例に当たる。これらは学習中に自動で覚えられる「重み」とは異なり、あらかじめ値の範囲や候補を定めて探索・選択する必要があり、... 2025年8月28日
research 『音による故障予知の教科書たたき台：6.10 アンサンブル学習の概要』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.10 アンサンブル学習の概要 アンサンブル学習とは、ひとつのモデルだけに頼らず、複数のモデルの判断を組み合わせて最終的な予測を行う考え方である。直感的には「多数決」や「役割分担」を機械学習に持ち込んだ方法で、個々のモデルの弱点を補い合い、全体として安定した性能を目指す。代表的なやり方は三... 2025年8月28日
research 『音による故障予知の教科書たたき台：6.9 閾値設定の方法』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.9 閾値設定の方法 異常検知や分類の仕上げで欠かせないのが「閾値（しきい値）」の設計である。モデルは多くの場合、各サンプルに「異常らしさ」や「異常である確率に相当するスコア」を連続値で返す。実運用では、そのスコアをどこで二値化するか（正常/異常を分けるか）によって、見逃し（本当は異常なの... 2025年8月28日
research 『音による故障予知の教科書たたき台：6.8 One-Class SVM』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.8 One-Class SVM One-Class SVMは、「正常データだけを学び、その範囲から外れたものを異常とみなす」考え方にもとづく異常検知手法である。多数派である正常のパターンに境界（ふち）を引き、その外側に落ちるデータを外れ値として判定するのが基本で、異常ラベルがほとんど無い... 2025年8月28日
research 『音による故障予知の教科書たたき台：6.7 Isolation Forest』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.7 Isolation Forest Isolation Forestは、データの中で「数が少なく、周りと性質が違う点（異常）」は、ランダムに分割していくと少ない回数で区別できる、という直感に基づく異常検知アルゴリズムである。木構造（アイソレーションツリー）を多数作り、各データ点が根から... 2025年8月28日
research 『音による故障予知の教科書たたき台：6.6 クロスバリデーション』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.6 クロスバリデーション クロスバリデーションは、限られたデータから作ったモデルが「見たことのない新しいデータ」に対してどれくらい通用するか（汎化性能）を安定して見積もるための評価手法である。単に一度だけ訓練用と評価用に分けると、分け方の偶然で結果がぶれたり過大評価になったりするが、クロ... 2025年8月28日
