POSデータは、

POS（Point Of Sales:販売時点情報管理）は，販売実績データのことである。

POSデータから、消費者の行動をデータとして把握可能である。

POSデータを使うことで、お客が何回その商品を手にとったか、あるいは、一度は買おうとしたが棚にもどしたなどがわかる。

インターネット等の普及で，POSデータから、リアルタイムで，グループ全体の販売状況が把握可能である。

POSデータは、

どの商品が，いつ，どこで，いくらで，どのくらい販売されたかという情報を含んでいることが多い。

なぜうまくいったかの説明が難しい

距離関数により結果が異なる．

単純で，実装が簡単である．

モデルが明確ではない．

学習データが増えると計算コストが増大する．

ｋ近傍法の特徴量の計算には，距離関数を用いる．

ｋ近傍法の特徴量の数については特に制限はない．

ｋ近傍法は平面に描くことが多いため，特徴量は，2つである．

ｋ近傍法のｋは，ｋを実際に変えてみて，正解率を見て決定するのがよい．

kが小さ過ぎると，過剰適合になり，データにノイズ（外れ値）が含まれると，影響が大きくなる．

kが大きすぎると，データを過度に平滑化して，データの局所的な構造を捉える能力を失ってします．

ｋ近傍法のｋは，1とｋの最大値の中央値を使うのが良い場合が多い．

ｋ＝1は，もっとも近いデータを探して，そのデータのクラスにすることであり，最も簡単であるが，k=1で最善であることはまれである．

k=1は，ノイズに敏感になる．つまり，離れ小島の領域にデータが入るなど，誤った予測となる可能性がある．

ｋを大きくすると離れ小島は減る．また，境界線は滑らかになる．

データのある範囲を一定の間隔で区切り，その点に点をおいた場合にどの分類になるかで，マップを作成する．

kが大きすぎると，データを過度に平滑化して，データの局所的な構造を捉える能力を失う

ある環境内におけるエージェントが，現在の状態を観測し，取るべき行動を決定する問題を扱う機械学習の一種である．

特徴空間における最も近い訓練例に基づいた分類の手法である．

データ解析手法（特に多変量解析手法）の一種であり，教師なしデータ分類手法，つまり与えられたデータを外的基準なしに自動的に分類する手法である．

統計学，パターン認識，人工知能等のデータ解析の技法を大量のデータに網羅的に適用することで知識を取り出す技術のことである．

決定木は，必ずしも，分類性能が高いわけでは無い．

決定木は，データが少し変わると違う木が生成される可能性ある．

決定木において，木が過度に分岐する場合の木を，繁雑木と呼ばれている．

決定木は，線形性のあるデータには適していない

0.642

0.742

0

1

0.547

0.71

0.5

１

0

0.25

0.5

決定木は，データの分布の形を問わずに利用することができる．

決定木は，異常な値の影響を受けにくい分析手法である．

決定木は，データの種類を問わず利用することができる．

決定木は，出力結果の解釈が容易である．

決定木は，枝が多ければ多いほど，正確に分類できている．