ランダムフォレスト

第381話｜アンサンブル学習でモデルの性能を向上させよう！ <br>ビジネスに活かす機械学習テクニック

第381話｜アンサンブル学習でモデルの性能を向上させよう！
ビジネスに活かす機械学習テクニック

機械学習モデルの性能に不満を感じたことはありませんか？ どんなに時間をかけてモデルを調整しても、予測精度が思うように上がらないことがあります。そんな時、アンサンブル学習という手法が効果的です。 アンサンブル学習とは、複数...
取り急ぎ実行してみる「Pythonアンサンブル学習」<br>（バギング・ブースティング・スタッキング）

取り急ぎ実行してみる「Pythonアンサンブル学習」
（バギング・ブースティング・スタッキング）

アンサンブル学習は、複数の機械学習モデルを組み合わせることで、単一のモデルよりも高い予測精度を達成する手法です。 アンサンブル学習は、現実世界の様々な問題に適用され、機械学習コンペティションでも常に上位を占める手法として...
第374話｜データ駆動型意思決定を支援するシャープレイバリュー <br> – ツリー系モデルとの組み合わせでビジネスに革新を –

第374話｜データ駆動型意思決定を支援するシャープレイバリュー
– ツリー系モデルとの組み合わせでビジネスに革新を –

データが未来を形作る今日、ビジネスリーダーたちは常により良い意思決定のための新しい手法を模索しています。 その答えの一つが、シャープレイバリューとツリー系モデルの組み合わせによるアプローチです。 シャープレイバリューは、...
分類問題のデータ不均衡を解消するSMOTE（Python版）<br>－ その3：カテゴリカル変数が混在するデータに対するSMOTEと実例 －

分類問題のデータ不均衡を解消するSMOTE（Python版）
－ その3：カテゴリカル変数が混在するデータに対するSMOTEと実例 －

データサイエンスの進展に伴い、機械学習モデルの正確さを左右する重要な問題の一つがデータ不均衡です。 データ不均衡は、特定のクラスのサンプル数が他のクラスに比べて極端に少ない場合に発生し、予測モデルの性能に悪影響を及ぼしま...
Python のハイパーパラメータ自動最適化ライブラリー Optuna その3<br>– scikit-learnのモデルをOptunaでCV（クロスバリデーション）を実施する方法 –

Python のハイパーパラメータ自動最適化ライブラリー Optuna その3
– scikit-learnのモデルをOptunaでCV（クロスバリデーション）を実施する方法 –

scikit-learnのモデルをOptunaでCV（クロスバリデーション）を実施する方法は2種類あります。 良し悪しを判断するメトリクスにscikit-learnのCVを指定する方法 OptunaのCV関数（Optun...
Python のハイパーパラメータ自動最適化ライブラリー Optuna その2<br> – Optunaを使うとき最低限覚えておきたい探索範囲の指定方法 –

Python のハイパーパラメータ自動最適化ライブラリー Optuna その2
– Optunaを使うとき最低限覚えておきたい探索範囲の指定方法 –

機械学習などの数理モデルには、通常幾つかのハイパーパラメータがあり、そのハイパーパラメータの設定次第で大きく精度が変わります。 このハイパーパラメータを調整し最適な設定を探すタスクを、ハイパーパラメータチューニングと言い...
Python の ハイパーパラメータ自動最適化ライブラリー Optuna その1<br> – Optuna のちょっとした使い方 –

Python の ハイパーパラメータ自動最適化ライブラリー Optuna その1
– Optuna のちょっとした使い方 –

機械学習などの数理モデルには、通常幾つかのハイパーパラメータがあり、そのハイパーパラメータの設定次第で大きく精度が変わります。 このハイパーパラメータを調整し最適な設定を探すタスクを、ハイパーパラメータチューニングと言い...