Post

Kaggle-機械学習入門コースの内容まとめ

Kaggleの公開コース「Intro to Machine Learning」の内容を要約しました。

Posted Updated
By Yunseo Kim
views 19 min read

Kaggleの公開コースを勉強することにしました。 各コースを修了するたびに、そのコースの内容を簡単にまとめる予定です。最初の記事はIntro to Machine Learningコースの要約です。

機械学習入門

機械学習の核心的なアイデアを学び、最初のモデルを構築します。

レッスン1. モデルの仕組み

最初は負担なく軽く始めます。機械学習モデルがどのように動作し、どのように使用されるかについての内容です。不動産価格予測をする状況を想定しながら、簡単な決定木（Decision Tree）分類モデルを例に説明しています。

データからパターンを見つけ出すことをモデルを訓練すると言います（モデルのフィッティングまたはトレーニング）。モデルを訓練する際に使用するデータを訓練データ（training data）と呼びます。訓練が完了すると、このモデルを新しいデータに適用して予測（predict）することができます。

レッスン2. 基本的なデータ探索

どの機械学習プロジェクトでも、最初にすべきことは開発者自身がそのデータに慣れることです。データがどのような特性を持っているかをまず把握しなければ、それに適したモデルを設計することはできません。データを探索し操作する目的でほぼ必須的にパンダス（Pandas）ライブラリを使用しますが、このパンダスに関する基本的な内容です。

パンダスライブラリの核心はデータフレーム（DataFrame）ですが、このデータフレームは一種の表のようなものだと考えればよいです。ExcelのシートやSQLデータベースのテーブルに似ています。read_csvメソッドを使用してCSV形式のデータを読み込むことができます。

1
2
3
4

# 必要なときに簡単にアクセスできるようにファイルパスを変数として保存するのが良いです。
file_path = '（ファイルパス）'
# データを読み込んで'data_1'という名前のデータフレームとして保存します（もちろん実際には分かりやすい名前を使うのが良いです）。
data_1 = pd.read_csv(file_path)

describeメソッドを使用してデータの要約情報を確認できます。

1

data_1.describe()

すると8項目の情報を確認できます。

  • count: 実際の値が入っている行の数（値が欠落しているものは除外）
  • mean: 平均
  • std: 標準偏差
  • min: 最小値
  • 25%: 下位25%の値
  • 50%: 中央値
  • 75%: 下位75%の値
  • max: 最大値

レッスン3. 最初の機械学習モデル

データ加工

与えられたデータからどの変数をモデリングに活用するかを決定する必要があります。データフレームのcolumns属性を利用して列ラベルを確認できます。

1
2
3
4
5

import pandas as pd

file_path = '../input/melbourne-housing-snapshot/melb_data.csv'
data_1 = pd.read_csv(melbourne_file_path) 
melbourne_data.columns

与えられたデータから必要な部分を選び出す方法は複数ありますが、KaggleのPandasマイクロコースで深く扱うそうです（この内容も後でまとめる予定です）。ここでは次の2つの方法を使用します。

  1. ドット表記法
  2. リストの使用

まず、ドット表記法で予測対象（prediction target）に該当する列を選び出します。このとき、この単一の列はシリーズ（Series）に保存します。シリーズは大まかに1つの列だけで構成されたデータフレームだと考えればよいです。慣例的に予測対象はyで表します。

1

y = melbourne_data.Price

予測のためにモデルに入力する列を「特徴量（features）」と呼びます。例として与えられたメルボルンの住宅価格データの場合、住宅価格予測に使用する列になります。与えられたデータから予測対象を除いたすべての列を特徴量として使用することもあれば、その中から一部だけを選んで使用する方が良い場合もあります。
以下のようにリストを使用して複数の特徴量を選び出すことができます。このときこのリストのすべての要素は文字列でなければなりません。

1

melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitude']

慣例的にこのデータはXで表します。

1

X = melbourne_data[melbourne_features]

データを分析する際、describeの他に有用に使用できるメソッドとしてheadもあります。最初の5行を表示します。

1

X.head()

モデル設計

モデリング段階では通常scikit-learn（サイキットラーン）ライブラリをよく使用します。モデルを設計し使用するプロセスは大きく次のようになります。

  • モデル定義（Define）: モデルの種類とパラメータを決定します。
  • 訓練（Fit）: 与えられたデータから規則性を見つけ出します。モデリングの核心です。
  • 予測（Predict）: 訓練を経たモデルで予測を行います。
  • 検証（Evaluate）: モデルの予測がどれほど正確かを評価します。

以下はscikit-learnでモデルを定義し訓練する例です。

1
2
3
4
5
6
7

from sklearn.tree import DecisionTreeRegressor

# モデルを定義します。毎回同じ結果を得るためにrandom_stateに数値を指定します
melbourne_model = DecisionTreeRegressor(random_state=1)

# モデルを訓練します
melbourne_model.fit(X, y)

多くの機械学習モデルは訓練過程である程度のランダム性を持っています。random_state値を指定することで、毎回の実行で同じ結果を得るようにすることができ、特別な理由がなければ指定するのが良い習慣です。どの値を使用しても構いません。

モデル訓練が完了したら、次のように予測を行うことができます。

1
2
3
4

print("以下の5軒の家の予測を行います:")
print(X.head())
print("予測結果は")
print(melbourne_model.predict(X.head()))

レッスン4. モデル検証

モデル検証方法

モデルを繰り返し改善していくためには、モデルの性能を測定する必要があります。あるモデルを使用して予測を行った場合、当たる場合もあれば外れる場合もあるでしょう。このとき、このモデルの予測性能を確認するための指標が必要です。様々な種類の指標がありますが、ここではMAE（Mean Absolute Error、平均絶対誤差）を使用します。

メルボルンの住宅価格予測の場合、各住宅価格に対する予測誤差は次のようになります。

1

error = actual - predicted

MAEは各予測誤差の絶対値を取り、これらの絶対誤差の平均を求めることで計算します。scikit-learnで次のように実装できます。

1
2
3
4

from sklearn.metrics import mean_absolute_error

predicted_home_prices = melbourne_model.predict(X)
mean_absolute_error(y, predicted_home_prices)

訓練データを検証に使用することの問題点

上のコードでは1つのデータセットでモデル訓練と検証を両方行いました。しかし、このようにしてはいけません。このコースでは1つの例を挙げて理由を説明しています。

実際の不動産市場ではドアの色は住宅価格とは無関係です。

しかし、偶然にも訓練に使用したデータでは、緑色のドアを持つ家はすべて非常に高価だとします。モデルの役割はデータから住宅価格予測に活用できるような規則性を見つけ出すことなので、この場合、我々のモデルはこの規則性を検出し、緑のドアを持つ家は価格が高いと予測するでしょう。

このように予測を行えば、与えられた訓練データに対しては正確に見えるでしょう。

しかし、「緑のドアを持つ家は高価である」というルールが通用しない新しいデータに対して予測を行うと、このモデルは非常に不正確になるでしょう。

モデルは新しいデータから予測を行ってこそ意味があるので、我々はモデル訓練に使用していないデータを使用して検証を行う必要があります。最も簡単な方法は、モデリング過程で一部のデータを分離して性能測定用として使用することです。このデータを検証データ（validation data）と呼びます。

検証データセットの分離

scikit-learnライブラリにはデータを2つに分割するtrain_test_split関数があります。以下のコードはデータを2つに分割し、1つは訓練用として使用し、もう1つはmean_absolute_error測定のための検証用として使用するコードです。

1
2
3
4
5
6
7
8
9
10
11
12
13
14

from sklearn.model_selection import train_test_split

# データを訓練用と検証用に分割します。特徴量と目的変数の両方について行います
# 分割は乱数生成器に基づいています。random_state引数に数値を指定することで
# このスクリプトを実行するたびに同じ分割を得ることができます。
train_X, val_X, train_y, val_y = train_test_split(X, y, random_state = 0)
# モデルを定義します
melbourne_model = DecisionTreeRegressor()
# モデルを訓練します
melbourne_model.fit(train_X, train_y)

# 検証データで予測価格を取得します
val_predictions = melbourne_model.predict(val_X)
print(mean_absolute_error(val_y, val_predictions))

レッスン5. アンダーフィッティングとオーバーフィッティング

オーバーフィッティングとアンダーフィッティング

  • オーバーフィッティング（過学習）: モデルが訓練データセットにのみ非常に正確に適合し、検証データセットや他の新しいデータに対しては適切に予測できない現象
  • アンダーフィッティング（過少学習）: モデルが与えられたデータから重要な特徴と規則性を見つけ出せず、訓練データセットでも適切に予測できない現象

以下の画像の緑色の線がオーバーフィッティングしたモデルを表し、黒色の線が望ましいモデルを表します。 Overfitting

画像出典

私たちにとって重要なのは新しいデータでの予測精度であり、検証データセットを用いて新しいデータでの予測性能を推定します。アンダーフィッティングとオーバーフィッティングの間の最適点（sweet spot）を見つけることが目標です。

このコースでは引き続き決定木分類モデルを例に説明していますが、オーバーフィッティングとアンダーフィッティングはすべての機械学習モデルに適用される概念です。

ハイパーパラメータ（hyperparameter）チューニング

以下の例は決定木モデルのmax_leaf_nodes引数の値を変えながらモデルの性能を比較測定するコードです。（データの読み込みと検証データセットの分離部分は省略）

1
2
3
4
5
6
7
8
9

from sklearn.metrics import mean_absolute_error
from sklearn.tree import DecisionTreeRegressor

def get_mae(max_leaf_nodes, train_X, val_X, train_y, val_y):
    model = DecisionTreeRegressor(max_leaf_nodes=max_leaf_nodes, random_state=0)
    model.fit(train_X, train_y)
    preds_val = model.predict(val_X)
    mae = mean_absolute_error(val_y, preds_val)
    return(mae)

```python

max_leaf

Data Science, Machine Learning
Kaggle Courses Pandas scikit-learn
This post is licensed under CC BY-NC 4.0 by the author.

Comments powered by Disqus.