ニクラス分類KY法の違い：イメージ図を基本として（ニクラス分類KY法）

■ニクラス分類KY法

　先のブログにて、現在までに開発されたKY法（ニクラス分類３種類、重回帰（フィッティング）３種類）をリストアップしました。言葉だけでは手法の概要がわかりにくいので、簡単な概念図をアップします。これらの図からKY法の特徴を理解してください。

　KY法は、サンプル空間のニクラスデータを判別関数（予測モデル）を用いて、いかにして分類するかだけの手続き的な手法なので理解しやすいと思います。分類に利用する判別関数は従来のニクラス分類手法を適用します。この場合、線形及び非線形の種類は問いません。

１．２モデル２クラス分類KY法

＊第一手順：クラスサンプルが混在しない二領域と混在する一領域への分割

＊第二手順：混在する領域に属するサンプルを対象として第一手順を繰り返す。

２．１モデル２クラス分類KY法

　本手法では判別関数を一本しか利用しません。クラス分布で重複のない判別得点を決定し、この値よりの大小でサンプルをクラス分けします。判別得点が小さいものは、ニクラスサンプルが混在しています。２モデル２クラス分類KY法の２本のモデル（判別関数）による最初の分類と同じ結果が得られます。この操作を、混在領域のサンプルに適用し、完全分類できるまで繰り返し実施します。

３．モデルフリー２クラス分類KY法

　図的には２とほとんど同じですが、最終的に取り出されるクラス決定済みサンプルは判別関数から最も離れた部分（判別得点が最大）やその近辺に位置するサンプルを取り出す。この操作を繰り返すのが特徴です。この特徴より、分類／予測精度が向上し、システムの完全自動化も可能となります。判別関数は当該のサンプルデータセットに対して都度作成されます。この結果、予測モデルをあらかじめ作成しておく必要がなくなります。また、新規サンプルもサンプルデータセットに追加するだけで良く、常に最新のデータセットを用いての分類／予測が可能となります。サンプル数も極めて大きなサンプルを用いて実行できます。

KY法についての本ブログでの解説／展開：KY法の特徴、種類、具体的な実施手順

 ◆KY法に関して：開発歴史（第一期、第二期、第三期）

　KY法は当初は分類／予測率（２クラス分類）および相関係数／予測値（重回帰）の向上を目指し、同時に従来手法と比較してさらに膨大な数のサンプルデータを扱うことを可能とすることを目指して開発された（第一期）。続いて、KY法の基本原理と特徴を踏襲しつつ、手法的な手順を改良／簡素化したKY法へと進歩した（第二期）。さらに、このような改良に加えて、KY法実施の自動化推進と、予測モデルをなくすことで新規サンプルを追加してもモデル作成することなくKY法による分類／予測を完全に自動実施できる手法へと変化した（第三期）。最新のKY法は第三期のものとなります。

◇第一期：
・２クラス分類：２モデル２クラス分類KY法
・重回帰　　　：判別分析付き多段階重回帰KY法

◇第二期：
・２クラス分類：１モデル２クラス分類KY法
・重回帰　　　：２ステップ重回帰KY法

◇第三期：

・２クラス分類：モデルフリー２クラス分類KY法
・重回帰　　　：連続取り出し型重回帰KY法

　次回はKY法の特徴についてまとめます。

KY法が開発されてからほぼ１５年となりました。時代の変化に対応できる手法へと大きく変化しております。

　湯田によるＫＹ法開発と２００６年の発表からほぼ１5年強経ちました。

　KY法は、２モデルKY法から進歩し、現在はニクラス分類法３種類と、重回帰手法として３種類の合計６種類が開発されております。個々のKY 法の詳細は今後本ブログ上で順番に紹介してまいります。最新のニクラス及び重回帰KY法は、ビッグデータ時代に対応し、分類率や予測率も向上するように設計されております。加えて、KY法の実行はメンテナンスフリーというコンピュータ上で最も理想的な形式をとることの出来るアルゴリズムとなっております。ご期待ください。

　　

KY法及び関連手法です。