機械学習（分類）

分類モデルの構築・感度分析を実施できます。目的変数に対する説明変数の影響の把握も可能です。

操作デモ動画

以下の動画で、操作方法をご確認いただけます。

操作方法

処理タイプ>分析タイプ>機械学習（分類） を選択します。

モデル構築

注記

以下の説明では、サンプルデータ「ワイン」を使用しています。
「品種」は事前に型変換でObject型に変換しています。

説明変数（入力値）と目的変数（出力値）の関係 を表すモデルを作成します。

モデル構築 モードを選択します。
目的変数 と 説明変数 を選択します。
モデルタイプ を選択します。
モデルタイプ一覧
以下の手法が選択可能です。
- ロジスティック回帰
- ランダムフォレスト
- LightGBM
ハイパーパラメータの設定
ハイパーパラメータは固定または 自動調整 から選択できます。自動調整では1回の実行につき10回の試行を行います。前回のチューニング結果が存在する場合、そこから継続することも可能です。
モデル構築 を実行します。
モデルが作成されました。
モデルの評価指標 と 混同行列、ROC曲線 が表示されます。
多クラス分類の場合、ROC曲線はOne vs Rest方式で各クラス分が表示されます。
モデルの評価指標
- Accuracy：正解率。全データのうち正しく分類できた割合。
- Precision：適合率。陽性と予測したデータのうち実際に陽性だった割合。
- Recall：再現率。実際に陽性のデータのうち陽性と予測できた割合。
- F1スコア：PrecisionとRecallの調和平均。
- AUC：ROC曲線下の面積。1に近いほど精度が高い。多クラス分類の場合はOne vs Rest方式でクラスごとに算出されます。
目的変数に対する説明変数の影響 も確認できます。
モデル解釈の指標
- 特徴量重要度 ：モデルが学習する際にどの説明変数を重視したかを示す指標。正の値を取り、値が大きいほど影響が大きい。
- Permutation Importance ：モデルの予測精度にどの説明変数が貢献しているかを示す指標。基本的に正の値を取り、値が大きいほど影響が大きい。
作成したモデルはモデルアイコンをクリックして保存できます。

モデルのダウンロード
保存したモデルはダウンロードすることができます。