###### tags: `AIM`
# 複数タグ読み取りによるデータ補完を考える
## 補完方法について
- タグの枚数が増加すると、タグ１つあたりのサンプル数が低下する。
- サンプル数が低下すると、RSSIや位相値による特徴検出が困難になると考えられるため、サンプル数の低下を補うための補完方法を考える必要がある。
- ここでは補完方法についてまとめる。
- そもそも、補完を行うには、取得したデータから数値を予測する(欠損値として補完する)方法が良い？
- 機械学習を使用して補完する方法が良さそう

## 使えそうな機械学習
- 今回扱うのは時系列データなので、それを扱うことが可能な機械学習を使用する必要がある。
- 時系列データの予測に使用される機械学習→[https://qiita.com/sato235/items/48022d2bf023ecd5ceef](https://)
- 使えそうなのはRNNやLSTMあたり？
- 機械学習初心者なので、この辺りを一からお勉強しなければいけない...

## RNN
- 時系列データにおける過去の変化過程から、未来の数値を予測することが可能
- ある時刻の中間層の出力結果を次の中間層に渡すことで、時刻間の影響を考慮したニューラルネットワークが作成可能となる。
- 参考URL
→[https://www.imagazine.co.jp/%E5%86%8D%E5%B8%B0%E5%9E%8B%E3%83%8B%E3%83%A5%E3%83%BC%E3%83%A9%E3%83%AB%E3%83%8D%E3%83%83%E3%83%88%E3%83%AF%E3%83%BC%E3%82%AF%E3%81%AE%E3%80%8C%E5%9F%BA%E7%A4%8E%E3%81%AE%E5%9F%BA%E7%A4%8E%E3%80%8D/](https://)

## SLTM
- RNNは遠い過去の中間層出力を反映しにくい。
- そのため、RNNの弱点を改良した学習方法がSLTMである。
- 参考URL
→[https://qiita.com/KojiOhki/items/89cd7b69a8a6239d67ca](https://)
→[https://sagantaf.hatenablog.com/entry/2019/06/04/225239](https://)