アンサンブル学習

Pythonで学ぶ木ベースのMachine Learning

Elie Kawerk

Data Scientist

CARTの利点

理解しやすい。
解釈しやすい。
使いやすい。
柔軟性：非線形な依存関係を表現できる。
前処理：特徴量の標準化や正規化が不要。

CARTの限界

分類：直交した決定境界しか生成できない。
訓練データの小さな変動に敏感。
高分散：制約のないCARTは訓練データに過学習しやすい。
解決策：アンサンブル学習。

アンサンブル学習

同じデータセットで異なるモデルを訓練する。
各モデルが予測を行う。
メタモデル：各モデルの予測を集約する。
最終予測：よりロバストでエラーが少ない。
最良の結果：モデルが異なる側面で優れている場合。

アンサンブル学習：概念図

アンサンブルの概念図

アンサンブル学習の実践：投票分類器

二値分類タスク。
$N$個の分類器が予測を行う：$P_1$, $P_2$, ..., $P_N$（$P_i$ = 0または1）。
メタモデルの予測：ハード投票。

ハード投票

sklearnの投票分類器（乳がんデータセット）

# Import functions to compute accuracy and split data
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split

# Import models, including VotingClassifier meta-model
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier as KNN
from sklearn.ensemble import VotingClassifier

# Set seed for reproducibility
SEED = 1

sklearnの投票分類器（乳がんデータセット）

# Split data into 70% train and 30% test
X_train, X_test, y_train, y_test = train_test_split(X, y,
                                                    test_size= 0.3,
                                                    random_state= SEED)
# Instantiate individual classifiers
lr = LogisticRegression(random_state=SEED)
knn = KNN()
dt = DecisionTreeClassifier(random_state=SEED)

# Define a list called classifier that contains the tuples (classifier_name, classifier)
classifiers = [('Logistic Regression', lr), 
               ('K Nearest Neighbours', knn),
               ('Classification Tree', dt)]

# Iterate over the defined list of tuples containing the classifiers
for clf_name, clf in classifiers:
    #fit clf to the training set
    clf.fit(X_train, y_train)

    # Predict the labels of the test set
    y_pred = clf.predict(X_test)

    # Evaluate the accuracy of clf on the test set
    print('{:s} : {:.3f}'.format(clf_name, accuracy_score(y_test, y_pred)))

Logistic Regression: 0.947
K Nearest Neighbours: 0.930
Classification Tree: 0.930

sklearnの投票分類器（乳がんデータセット）

# Instantiate a VotingClassifier 'vc'
vc = VotingClassifier(estimators=classifiers) 

# Fit 'vc' to the traing set and predict test set labels
vc.fit(X_train, y_train)   
y_pred = vc.predict(X_test)

# Evaluate the test-set accuracy of 'vc'
print('Voting Classifier: {.3f}'.format(accuracy_score(y_test, y_pred)))

Voting Classifier: 0.953

演習に進みましょう！

Pythonで学ぶ木ベースのMachine Learning