Thesis TODO

[RyutaSato]

未完成のChapter

• [x] 1.2 構成

• [x] 3.2 オートエンコーダ

• [x] 3.3 AE特徴量

• [x] 4 index

• [x] 4.1 概要

• [x] 4.4 学習方法

• [x] 交差検証

• [x] optuna

  • パラメータ設定

• [x] データセットの詳細: kdd99

• [x] データセットの詳細: kdd99_dropped

• [x] データセットの詳細: creditcardfraud

• [x] データセットの詳細: ecoli

• [x] データセットの詳細: optical_digits

• [x] データセットの詳細: satimage

• [x] データセットの詳細: pen_digits

• [x] データセットの詳細: abalone

• [x] データセットの詳細: sick_euthyroid

• [x] データセットの詳細: spectrometer

• [x] データセットの詳細: car_eval_34

• [x] データセットの詳細: isolet

• [x] データセットの詳細: us_crime

• [x] データセットの詳細: yeast_ml8

• [x] データセットの詳細: scene

• [x] データセットの詳細: libras_move

• [x] データセットの詳細: thyroid_sick

• [x] データセットの詳細: coil_2000

• [x] データセットの詳細: arrhythmia

• [x] データセットの詳細: solar_flare_m0

• [x] データセットの詳細: oil

• [x] データセットの詳細: car_eval_4

• [x] データセットの詳細: wine_quality

• [x] データセットの詳細: letter_img

• [x] データセットの詳細: yeast_me2

• [x] データセットの詳細: webpage

• [x] データセットの詳細: ozone_level

• [x] データセットの詳細: mammography

• [x] データセットの詳細: protein_homo

• [x] データセットの詳細: abalone_19

• [x] 学習モデルの説明: ロジスティック回帰

• [x] 学習モデルの説明: SVM

• [x] 学習モデルの説明: Random forest

• [x] 学習モデルの説明: Light GBM

• [x] 学習モデルの説明: Multi Perceptron

• [x] 4.8 実験条件

• [x] ワークフローの検証内容と結果の参照先

• [x] プログラムの固定パラメータの設定・ライブラリのバージョン

• [x] 実験環境　図も入れる

• [x] 実験結果: AE 特徴量を加えることで，分類精度が向上するかどうかの検証

• [x] 実験結果: AutoEncoderが学習するデータを特定のクラスに偏らせることが，分類精度に影響するかどうかの検証

• [x] 実験結果: AutoEncoderの隠れ層の構成が，分類精度に影響するかどうかの検証

• [x] 実験結果: AE特徴量の数が，分類精度に影響するかどうかの検証

• [x] 実験結果: 入力データの前処理によって，分類精度に影響するかどうかの検証

• [x] 実験結果: オートエンコーダに学習させるデータの種類によって，分類精度に影響するかどうかの検証

• [x] 考察

• [x] 終わりに

• [x] 謝辞

• [x] 表

修正箇所

• [x] rename AutoEncoder -> オートエンコーダ(Autoencoder)
• [x] 機械学習フロー図の文字切れ・サイズ調整

参照元の追加

• [x] k-NN
• [x] Logistic Regression
• [x] XGBoost
• [x] SMOTE
• [x] optical_digits
• [x] kdd99
• [x] creditcardfraud

実験

optuna なし

• [x] svm normalize=True

optuna あり

TODO: 未記入

[RyutaSato]

• [x] 前結果のTEXへの書き出しプログラム

[RyutaSato]

• [x] オートエンコーダ画像の準備