回帰ツール
回帰ツールを機械学習パイプラインの一部として使用して、傾向を特定します。このツールには、モデルのトレーニングに使用できるいくつかのアルゴリズムが用意されています。このツールでは、多数のパラメーターを使用してモデルを調整することもできます。
Alteryx Intelligence Suiteが必要です
このツールは Alteryx Intelligence Suite の一部です。Intelligence Suite を使用するには、Designerに加え、別途のライセンスとアドオンインストーラーが必要です。Designerをインストール後、Intelligence Suiteをインストールし、 無料トライアルを開始 します。
ツールの設定
このセクションでは、回帰ツールの設定方法について説明します。
アルゴリズムの選択
使用するアルゴリズムを選択します。 線形回帰 、 決定木 、 ランダムフォレスト の中から選択します。
パラメーターの設定
パラメータを設定します。各アルゴリズムには、特定のパラメーターがあります。各アルゴリズムには、一般パラメーターと詳細パラメーターの両方があります。一般パラメーターを使用すると、初心者でも正確なモデルを作成することができます。詳細パラメーターは、モデルの精度を向上させることができますが、その機能について深い理解が必要です。
各アルゴリズムのテーブルを参照して、各パラメーターの機能を確認します。
名前 | 説明 | オプション | 既定 |
fit_intercept | 線形回帰モデルの切片をアルゴリズムで計算するかどうかを決定します。「定数」とも呼ばれる切片は、 x が 0 の 場合 に予想される y の平均値です。 |
| 有効 |
normalize | アルゴリズムでターゲットを正規化するかどうかを決定します。正規化は、ターゲットを他のデータと共通のスケールで比較できるように調整するため、データ内の関連付けを識別するのに役立ちます。 |
| 有効 |
名前 | 説明 | オプション | 既定 |
criterion | criterion パラメーターを使用して、決定木アルゴリズムがどれだけ正確にデータを異なるノードに分割できるかを測定する方法を選択します。 |
| 平均二乗誤差 |
Max Depth | max_depth (ツリーの最大深度) は、ルートからツリーのリーフまでの最長パスです。深さが大きい木ほど分割が多く、データに関する情報をより多く捉えます。 |
| none |
max_features | Max Features は、最良の分割を求めるときに決定木が考慮する特徴量の数を設定します。 |
| 自動 |
max_leaf_nodes | max_leaf_nodes は、アルゴリズムが生成できる決定木におけるリーフノードの総数の上限です。最良優先方法による最大数までノードを増加させます。このアルゴリズムは、不純度減少の能力に基づき、どのノードが最適かを判断します。 criterion パラメーターを使用して、不純度減少を測定する方法を指定します。 | int (任意の整数) または none | なし |
Min Impurity Decrease | min_impurity_decrease は、決定木が新しいノードに分割するために必要な不純度減少量の最小閾値を設定します。したがって、分割は min_impurity_decrease に同等あるいは不純度がそれより大きく上回ると発生します。 criterion パラメーターを使用して、不純度減少を測定する方法を指定します。 | 任意の浮動小数点数 | 0.0 |
Min Samples Split | min_samples_spilit は、決定木が新しいノードに分割するために必要なサンプル数の最小閾値を設定します。アルゴリズムは最小で1つのサンプル、あるいは最大ですべてのサンプルを考慮します。 | 任意の整数または小数 | Integer : 2 |
Min Weight Fraction Leaf | min_weight_fraction_leaf は、決定木が新しいノードに分割するために必要な重みの最小閾値を設定します。この閾値は、すべてのサンプルの総重量の最小割合と等しくなります。決定木アルゴリズムは、既定で重みと同等に見なされます。 | 任意の浮動小数点数 | 0.0 |
Presort | このパラメーターを使用してデータを事前にソートします。これにより、アルゴリズムが最良の分割を迅速に検出することができます。 |
| 無効 |
Random Seed | Random Seed は、擬似乱数シーケンスを生成するための初期値を指定します。 None を選択すると、乱数ジェネレーターが初期値を選択します。 |
| Seed : 10 |
Splitter | Splitter は、ノードでの分割に使用されるストラテジーです。オプションには、best 分割と random 分割があります。このアルゴリズムは、不純度減少の能力に基づき、どのノードが最適かを判断します。 |
| best |
名前 | 説明 | オプション | 既定 |
bootstrap | バギングの基礎である bootstrap は、トレーニングのためにデータセットをサンプリングするために使用される方法です。この方法は、初めて見る新しいデータをシミュレートするため、データセットの subsample の作成を繰り返し、モデルの汎化性能を向上するために使用します。 |
| 有効 |
criterion | criterion パラメーターを使用して、ランダムフォレストアルゴリズムが、どれだけデータをランダムフォレストの木の多くを形成する異なるノードに分割できるかを測定する方法を選択します。 |
| 平均二乗誤差 |
Max Depth | max_depth (ツリーの最大深度) は、フォレスト内の各ツリーのルートからリーフまでの最長パスです。深さが大きい木ほど分割が多く、データに関する情報をより多く捉えます。 |
| none |
max_features | max_features (特徴量の数) は、フォレスト内の各決定木が最良の分割を求めるときに考慮する特徴量の数を設定します。 |
| 自動 |
Min Impurity Decrease | min_impurity_decrease は、決定木が新しいノードに分割するために必要な不純度減少量の最小閾値を設定します。したがって、分割は min_impurity_decrease に同等あるいは不純度がそれより大きく上回ると発生します。 criterion パラメーターを使用して、不純度減少を測定する方法を指定します。 | 任意の浮動小数点数 | 0.0 |
Min Samples Split | min_samples_spilit は、決定木 (ランダムフォレスト内) が新しいノードに分割するために必要なサンプル数の最小閾値を設定します。アルゴリズムは最小で1つのサンプル、あるいは最大ですべてのサンプルを考慮します。 | 任意の整数または小数 | Integer : 2 |
Min Weight Fraction Leaf | min_weight_fraction_leaf は、決定木が新しいノードに分割するために必要な重みの最小閾値を設定します。この閾値は、すべてのサンプルの総重量の最小割合と等しくなります。ランダムフォレストアルゴリズムは、既定で重みと同等に見なされます。 | 任意の浮動小数点数 | 0.0 |
Number of Estimators | n_estimators (推定値の数) は、フォレストの一部として作成するツリーの数です。 | 任意の整数 | 100 |
Random Seed | Random Seed は、擬似乱数シーケンスを生成するための初期値を指定します。 None を選択すると、乱数ジェネレーターが初期値を選択します。 |
| Seed : 10 |