Lazy Predict（Python）で1コードで30以上の数理モデルの予測結果を得られる
回帰問題や分類問題の予測モデルを構築するときに、色々なアルゴリズムで構築し比べたことがあるかと思います。 AutoML（自動機械学習）というわけではないですが、PythonのLazy Predictを使うと、1コードで色...
AutoML
PythonのAutoFeatを使った自動特徴量エンジニアリング
（Automatic Feature Engineering）その3（特徴量選択だけ使う）
Pythonに幾つかの自動特徴量エンジニアリング（Automatic Feature Engineering）のためのパッケージがあります。 その中の1つに「AutoFeat」というものがあります。回帰問題と分類問題で利...
PythonのAutoFeatを使った自動特徴量エンジニアリング
（Automatic Feature Engineering）その2（分類問題）
数理モデルを作る上で特徴量エンジニアリング（Feature Engineering）は地味に重要です。 例えば、より精度の高い予測モデルを構築したいのであれば、アルゴリズムのパラメータチューニングとともに特徴量エンジニア...
PythonのAutoFeatを使った自動特徴量エンジニアリング
（Automatic Feature Engineering）その1（回帰問題）
数理モデルを作る上で特徴量エンジニアリング（Feature Engineering）は地味に重要です。 例えば、より精度の高い予測モデルを構築したいのであれば、アルゴリズムのパラメータチューニングとともに特徴量エンジニア...
パイプラインに使う関数を指定し
AutoML【TPOT】構成(Config.)をカスタマイズ
前回、精度やメモリ使用量、実行速度に応じたTPOTが用意した構成（Config.）を使う方法を説明しました。 構成名 内容 適用できる問題 Default TPOT 初期設定の構成です。 分類・回帰 TPOT light...
スピード or 精度、何を重視する？
AutoML【TPOT】の6構成(Config.)
TPOTでは、あらかじめパイプラインに使う変換器やアルゴリズム、探索するパラメータの範囲が決まっています。 しかし、あまり探索に時間をかけたくないときや単純な変換器・アルゴリズムを使いたいときがあると思います。 逆に時間...
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【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...
