K最近傍法の例の応用

K最近傍法の応用例

シンプルなアルゴリズムが思っているよりも実用的な理由

私の最初の機械学習アルゴリズムはK最近傍法（KNN）モデルでした。初心者には理にかなっています-直感的で理解しやすく、専用のパッケージを使用せずに実装できます。

初心者には理にかなっているため、機械学習に慣れていない人に説明する際にも非常に理にかなっています。KNNアプローチを使って疑い深い人々を説得することが、ブラックボックスのランダムフォレストよりもはるかに簡単であることを言葉で表現することはできません。

これはモデリング手法の無名のヒーローであり、より複雑なアルゴリズムに進む前の優れたベンチマークとして機能し、多くのユースケースでは、より複雑なアルゴリズムの時間とコストはそれに値しないかもしれません。

KNNのモデリングのインスピレーションを高めるために、実際のシナリオでは思っている以上に良い結果を得る可能性のある3つの例を紹介します。

• 「OpenAIがDall E-3を発売！次世代AIイメージ生成器！」
• AudioCraft Metaの音声と音楽のための生成AI
• 「カリフォルニアのプライバシー規制当局の最初のケース：インターネットに接続された車の調査」

マーケティングミックスモデリング（MMM）

私はマーケティングの仕事をしており、MMMシステムでの私の仕事は通常、キャンペーンのパフォーマンスを向上させるためのマーケティングチャネルを特定し、キャンペーンを拡大してより多くの人々に届けることです。大まかに言えば、これはマーケティング（またはメディア）ミックスモデリングとして知られています。

MMMとのモデリングにおける目標は、各マーケティングインプットの単独の効果と他のインプットとの組み合わせの効果を理解し、最大の効果を得るためにマーケティングミックスを最適化することです。

最も基本的なアプローチは、歴史的データに基づいて異なるマーケティング戦略の影響を予測することです。KNNモデルでは、各マーケティング戦略を広告費、プロモーション活動、価格戦略などのさまざまなマーケティングインプットとして多次元空間上のポイントとして考えます。

新しいマーケティング戦略が提案されたり、既存の戦略を最適化する必要がある場合、モデルは多次元空間での「k」最近傍となる過去の戦略を見て、その戦略の結果を予測することができます。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!