モデルの優先順位付け

意思決定サイエンスをひも解く

Howard Friedman

Adjunct Professor at Columbia University

まずは線形回帰からシンプルに

  • 前提が満たされれば、連続目的変数に有効
  • 実務で200年以上の実績

シンプルさは強み

  • 回帰直線でデータに最適な当てはめを行います
  • 変換を使えば、非線形関係も表現可能

解釈可能性が重要

  • 係数が整合性の確認に役立ちます
  • 計算が速く、説明しやすい
     

線形回帰の図

意思決定サイエンスをひも解く

ロジスティック回帰

多くの実務課題は二値またはカテゴリ予測です：

  • 不正検知、解約予測、医療リスクモデル

コイン投げの図

ロジスティック回帰は汎用性が高い

  • 二値、多クラス、順序ありの目的にも対応

確率は意思決定を支援

解釈・実装が容易

  • 係数で各特徴量の影響が分かる
  • 複雑な分類器の堅実なベースライン
意思決定サイエンスをひも解く

特徴量変換

強力なベースラインから始める

  • まず動く版を作り、その後に高度なモデルの価値を評価

特徴量変換で性能向上

  • 対数や二乗などで説明分散が増えることがあります
  • 当てはまりの改善にも有効

モデルの前提をデータに合わせる

  • 線形回帰などは、残差が正規分布に近いと性能が最良

  ツールボックスの図

意思決定サイエンスをひも解く

代表的な変換

 

  • 対数・平方根変換は広い範囲を圧縮し、外れ値の影響を抑えます
  • 標準化・正規化は特徴量を同程度のスケールに揃え、単位が異なる場合に有用です
  • 多項式項（二乗・三乗など）は、少ない手間で非線形な関係を表現できます

 

複雑なモデルに進む前に、変換で初期モデルを改善しましょう

 

変換の図

意思決定サイエンスをひも解く

練習しましょう！

意思決定サイエンスをひも解く

Preparing Video For Download...