モデルのトレーニング

教師ありの方法で、分類または回帰モデルをトレーニングします

カテゴリ: Machine Learning/トレーニング

モジュールの概要

この記事では、Machine Learning Studio (クラシック) でモデルのトレーニング モジュールを使用して、分類または回帰モデルをトレーニングする方法について説明します。 トレーニングは、モデルを定義してそのパラメーターを設定した後に行います。トレーニングには、タグ付けされたデータが必要です。 モデルのトレーニングを使用して、既存のモデルを新しいデータで再トレーニングすることもできます。

トレーニング プロセスのしくみ

このMachine Learning、機械学習モデルの作成と使用は通常、3 段階のプロセスです。

1. 特定の種類のアルゴリズムを選択し、そのパラメーターまたはハイパーパラメーターを定義してモデルを構成します。 次のいずれかの種類のモデルを選択します。

   • ニューラル ネットワーク、意思決定ツリー、および意思決定フォレスト、その他のアルゴリズムに基づく分類モデル。
   • 回帰モデル。標準の線形回帰を含めるか、ニューラル ネットワークやベイジアン回帰などの他のアルゴリズムを使用できます。

2. ラベル付けされていて、かつアルゴリズムに適合したデータを含んだデータセットを指定します。 データとモデルの両方をモデルのトレーニングに接続してください。

   トレーニングによって生成されるのは、データから学習された統計パターンをカプセル化する特定のバイナリ形式である iLearner です。 この形式を直接変更したり読み取りしたりすることはできません。ただし、Studio (クラシック) の他のモジュールでは、このトレーニング済みモデルを使用できます。

   モデルのプロパティを確認することもできます。 詳細については、「結果」セクション を参照 してください。

3. トレーニングの完了後、いずれかのスコア付けモジュールと共にトレーニング済みのモデルを使用し、新しいデータについて予測を行います。

教師ありトレーニングと教師ありトレーニング

教師あり学習または教師あり学習という用語を聞いたことがある場合があります。 モデルのトレーニングを使用した分類または回帰 モデルのトレーニング は、教師あり機械学習の 従来の例です。 つまり、パターンを学習する履歴データを含むデータセットを指定する必要があります。 データには、予測しようとしている結果 (ラベル) と関連する要因 (変数) の両方が含まれている必要があります。 機械学習モデルでは、結果を最適に予測する特徴を決定するために結果が必要です。

トレーニング プロセス中、データは結果で並べ替え、アルゴリズムによって統計パターンが抽出され、モデルが構築されます。

予測されない学習は 、結果が不明か、既知のラベルを使用しないかどうかを示します。 たとえば、クラスタリング アルゴリズムでは通常、管理されていない学習方法が採用されますが、使用可能な場合はラベルを使用できます。 もう 1 つの例は、LDA を使用した トピック モデリングです。 これらのアルゴリズムでは モデルのトレーニング を使用できません。

モデルのトレーニングを 使用する方法

1. Machine Learning Studio (クラシック) で、分類モデルまたは回帰モデルモデルを構成します。

   R モデルの作成を使用して作成されたカスタム モデル をトレーニングできます。

2. モデルのトレーニング モジュールを実験に追加します。 このモジュールは、 [Machine Learning]\(機械学習\) カテゴリにあります。 [Train]\(トレーニング\) を展開し、モデルのトレーニング モジュールを実験にドラッグします。

3. 左側の入力に、トレーニングされていないモードをアタッチします。 モデルのトレーニングの右側の入力にトレーニング データセットをアタッチします。

   トレーニング データセットには、ラベル列が含まれている必要があります。 ラベルのない行は無視されます。

4. [Label column]\(ラベル列\) で [Launch column selector]\(列セレクターの起動\) をクリックし、モデルのトレーニングに使用できる結果を含んだ列を 1 つ選択します。

   • 分類問題の場合、ラベル列にはカテゴリ値または離散値が含まれている必要があります。 たとえば、Yes/No 評価や疾患分類コード (または名前)、所得層が該当します。 非カテゴリ列を選んだ場合、トレーニング中にモジュールからエラーが返されます。

   • 回帰問題の場合、ラベル列には、応答変数を表す数値データが含まれている必要があります。 連続スケールを表す数値データが理想です。

   たとえば、信用リスク スコアや、ハード ドライブの推定故障時間、特定の日時におけるコール センターの推定着信数が該当します。 数値列を選択しなかった場合、エラーが返されます。

   • 使用するラベル列を指定しない場合、Machine Learning は、データセットのメタデータを使用して、適切なラベル列を判断します。 間違った列が選択された場合は、列セレクターを使用して修正してください。

   ヒント

   列セレクターの使い方のヒントについては、「Select Columns in Dataset (データセットの列を選択する)」の記事を参照してください。 [WITH RULES](規則を使用) オプションと [名前別] オプションの使い方についてのヒントといくつかの一般的なシナリオが取り上げられています。

5. 実験を実行します。 データの量が多いと、この処理にしばらく時間がかかる場合があります。

結果

モデルのトレーニング後、次の作業を行います。

• モデルのパラメーターと特徴の重みを表示するには、出力を右クリックして、[Visualize]\(可視化\) を選択します。

• このモデルを他の実験で使用するには、モデルを右クリックして [Save Model]\(モデルの保存\) を選択します。 モデルの名前を入力してください。

  モデルはスナップショットとして保存されます。実験を繰り返し実行してもスナップショットは更新されません。

• 新しい値の予測にモデルを使用するには、それを新しい入力データと共にモデルのスコア付けモジュールに接続します。

関連タスク

モデルのトレーニングでサポートされていないモデルの種類をトレーニングする必要がある場合 は、いくつかのオプションがあります。

• R スクリプトを使用してカスタム スコアリング方法を作成するか、使用可能な多数の R スコアリング パッケージのいずれかを使用します。

  • R モデルの作成
  • R スクリプトの実行

• モデルをトレーニングしてスコア付けしたり、既存の Python ライブラリを使用したりするために、独自の Python スクリプトを記述します。

  • Python スクリプトの実行

• 異常検出モデル

  • 異常検出モデルのトレーニングでは、 Studio (クラシック) の異常検出モジュールがサポートされています。

• レコメンド モデル

  • モデルで推奨される Matchbox を使用している場合は、Machine Learningのトレーニング モジュールを使用します。

  • マーケット バスケットの分析または推奨事項に別のアルゴリズムを使用している場合は、 R スクリプトまたは Python スクリプトで、そのトレーニング方法を 使用します。

• クラスター モデル

  • 付属 の K-Means アルゴリズムには 、クラスタリング モデルのトレーニングを使用します。

  • その他のクラスタリング モデルの場合は、 R スクリプトまたはPython スクリプト モジュールを使用して、モデルの構成とトレーニングの両方を行います。

例

機械学習の実験でモデルのトレーニング モジュールがどのように使用されるのかの例については、次のAzure AI Gallery。

• 小売予測: 複数のモデルを作成、トレーニング、および比較する方法を示します。
• フライト遅延予測: 複数の関連分類モデルをトレーニングする方法を示します。

想定される入力

モジュールのパラメーター

出力

例外

すべてのモジュールエラーの一覧については、「 モジュールのエラーコード」を参照してください。

こちらもご覧ください

モデルの評価
モジュールの一覧 (アルファベット順)