AutoML【TPOT】スタッキング関数「StackingEstimator」（回帰問題編）
スタッキングは機械学習のアンサンブル学習の一つです。複数の学習器の出力を特徴量とし、さらに別の学習器で予測する方法です。 TPOTのスタッキングは、指定のアルゴリズムで予測した結果とそのアルゴリズムに入力した特徴量を組み...
AutoML-Zero
AutoML【TPOT】スタッキング関数「StackingEstimator」（分類問題編）
スタッキングは機械学習のアンサンブル学習の一つです。複数の学習器の出力を特徴量とし、さらに別の学習器で予測する方法です。 TPOTのスタッキングは、指定のアルゴリズムで予測した結果とそのアルゴリズムに入力した特徴量を組み...
AutoML【TPOT】特有の関数「OneHotEncoder変換器」
第9回「AutoML【TPOT】のパイプラインに使われる関数一覧」で、TPOTのパイプライン（特徴量生成・予測）で使われる関数の概要を説明しました。 その中には、TPOT独自の関数がいくつかありました。 分類問題・回帰問...
AutoML【TPOT】特有の関数「ZeroCount変換器」
第9回「AutoML【TPOT】のパイプラインに使われる関数一覧」で、TPOTのパイプライン（特徴量生成・予測）で使われる関数の概要を説明しました。 その中には、TPOT独自の関数がいくつかありました。 分類問題・回帰問...
AutoML【TPOT】評価指標を自分で作る方法
前回、パイプラインの評価指標を一覧にしました。 実際にTPOTを使うときに、使いたい評価指標が実装されていないこともあると思います。 例えば回帰問題でよく使われるRMSE（Root Mean Squared Error、...
AutoML【TPOT】パイプライン評価指標
これまでの例では…… 分類問題：F値（f1） 回帰問題：決定係数（r2） ……でパイプラインを評価してきました。 今回は他にどのような評価指標があるか説明します。 なお、評価指標はTPOTClassifierとTPOTR...
AutoML【TPOT】
パイプライン（変換器と予測器の組み合わせ）
自動検討履歴の確認方法
TPOTは複数のパイプラインを構成し、評価します。 そのうち最も良いものを最適なパイプラインとして出力します。 人によっては、途中でどのようなパイプラインを構成し評価したのか、気になる方もいることでしょう。 実務的には、...
AutoML【TPOT】のパイプラインに使われる関数一覧（2020.11.23時点最新）
パイプラインは主に「前処理」「特徴量選択」「数理モデル」の3種類の関数で構成されます。 「前処理」「特徴量選択」「数理モデル」のすべての種類の関数が使われることもあれば、一部だけ使われることもあります。 パイプラインの処...
AutoML【TPOT】で構築したモデルとRandomForestの比較
今回はTPOTと代表的な機械学習アルゴリズムであるRandomForestとの比較をしてみます。 もう少し説明すると、AutoML（自動機械学習）を活用し自動で構築した数理モデル（パイプライン含む）と、データセットに対し...
AutoML【TPOT】で最適化された「パイプライン」（変換器・予測器）を確かめよう
さて、TPOTは自動で特徴量生成と選択、モデル選択をしてくれます。 実際にどのような特徴量が作られ、どのモデルが使われたのか確認したいときがあります。 今回は、第３回で取り上げた分類問題を題材に、TPOTが生成した特徴量...
