Documentation
ドキュメントの検索
karat

+

K

APIリファレンス ↗
モデルの接続と開発Model Studioモデルトレーナー分類

注: 以下の翻訳の正確性は検証されていません。AIPを利用して英語版の原文から機械的に翻訳されたものです。

分類トレーナー

分類トレーナーは、最も性能の高いモデルを特定するために、複数のモデルを並列または逐次で学習します。モデルの重み付きアンサンブルが単一のモデルよりも高い性能を示すと判断した場合は、アンサンブルを利用することもあります。このトレーナーは、AutoGluon ↗ の TabularPredictor クラスを使用して構築されています。

分類トレーナーは、性能をさらに向上させるために、スタッキングやバギングなどのモデル学習手法を使用することもあります。スタッキングは、入力データで学習したモデルが生成する予測を使用して、モデルの追加の「層」を学習するアンサンブル手法です。このプロセスは繰り返されることもあります。バギングは、データから無作為に抽出した複数のサンプルで各モデルアーキテクチャを学習し、出力をアンサンブルで組み合わせる内部最適化手法です。スタッキングとバギングは、学習プリセットパラメーターで制御されます。

モデルアンサンブルの構造は、出力モデルの実験ページのプロットで表示できます。

学習対象のモデル

モデルを除外するか、ハイパーパラメーターを使用して無効にしない限り、内部で複数のモデルが学習されます。

次の種類のモデルを学習に利用できます。

パラメーター

  • 評価メトリクス：学習中のモデルの性能を採点するために使用するメトリクスです。データセットによって、より良い性能を示す評価メトリクスが異なる場合があります。詳細については、プラットフォーム内のドキュメントを参照してください。評価メトリクスが高いほど、モデルの性能は高くなります。分類の評価メトリクスは、すべてこの傾向に従います。
  • 学習プリセット：学習プリセットは、バギングとスタッキングに関する複雑な引数を抽象化したものです。
    • best_quality：スタッキングとバギングを有効にします。学習と推論の速度を犠牲にしてでも、可能な限り最良のモデルが必要な場合に使用します。
    • high_quality：スタッキングとバギングを有効にします。学習時間と推論時間は best_quality プリセットよりも短くなるはずですが、モデルの精度はわずかに低くなる場合があります。
    • good_quality：スタッキングとバギングを有効にします。このプリセットは、上記のプリセットよりも学習と推論の速度が速く、良好な予測精度を備えています。
    • medium_quality：スタッキングとバギングを無効にします。このプリセットは学習時間が最も短い一方、予測精度は中程度です。プロトタイピングに使用します。
  • 学習と推論の制限：
    • 学習時間の制限：学習に費やす最大時間を任意で設定します。スタッキングとバギングを有効にするプリセットを使用する場合、この時間制限はベストエフォートで遵守されることがあります。時間制限に達すると、ジョブの学習部分は終了しますが、モデルの検証が完了し、モデルが公開されるまでジョブは完了しません。
    • 推論時間の制限：特定のモデルが推論中に実行できる最大時間を任意で設定します。この時間制限を超えるモデルはスキップされます。厳格な推論時間の制限が必要な場合を除き、この値を設定することは推奨しません。
  • 除外するモデルの種類：特定の種類のモデルを学習で使用しないようにします。
  • 予測列名：予測列名をオーバーライドします。デフォルトでは、対象列名が使用されます。
  • 確率を予測：true の場合、単一のクラス予測ではなく、クラスの確率が返されます。{prediction_column_name}_proba_{class_label} の形式で出力列が追加されます。ここで、prediction_column_name は予測列の名前で、デフォルトは対象列名です。class_label は、その確率が予測するクラスです。

詳細：スタッキングの設定

任意のスタッキング設定項目を使用すると、モデルアンサンブルの構成方法をより細かく制御できます。

  • 重み付きアンサンブルを適合：有効にすると、各スタッキング層で WeightedEnsemble モデルが生成されます。モデルの性能を向上させるために、この設定を有効にすることを推奨します。
  • すべてのモデルで最後のアンサンブルを適合：有効にすると、最後のスタッキング層の WeightedEnsemble が、それ以前のすべての層のモデルをベースモデルとして使用して適合されます。スタッキングを無効にするプリセットを使用する場合、この値は影響しません。モデルの性能を向上させるために、この設定を有効にすることを推奨します。
  • 完全な重み付きアンサンブルを適合：有効にすると、すべてのモデルで最後のアンサンブルを適合を有効にしたときに生成される重み付きアンサンブルの上に、2つ目の WeightedEnsemble モデルが生成されます。すべてのモデルで最後のアンサンブルを適合が無効な場合、またはスタッキングを無効にするプリセットを使用する場合、このオプションは影響しません。

詳細：ハイパーパラメーター

任意のハイパーパラメーター項目を使用すると、学習する各モデルをより細かくカスタマイズおよび制御できますが、1つ注意点があります。この項目を定義すると、ハイパーパラメーター項目に指定されていないモデルは無視されます。この項目は AutoGluon が選択するデフォルトのハイパーパラメーターをオーバーライドするため、結果が悪くなる可能性があります。このため、AutoGluon のドキュメント ↗を確認していない場合は、この項目を使用しないことを推奨します。ほとんどの場合、デフォルトのハイパーパラメーターで十分に良い結果が得られます。

通常、ここで渡す引数は、基盤となるモデル実装に直接送信されます。

以下の例を見てみます。

Copied!
1
2
3
4
5
6
{
    "GBM": [
        {"extra_trees": true}, {}
    ],
    "NN_TORCH": {}
}

これらのハイパーパラメーターを指定すると、次のモデルが必ず学習されます。

  1. 引数 extra_trees を true に設定した GBM モデル。
  2. デフォルトの引数を使用する GBM モデル。
  3. デフォルトの引数を使用する PyTorch モデル。

指定したハイパーパラメーターでは、アンサンブルやスタッキングの処理が適用される前に学習されるのは、これらのモデルのみです。

出力

分類トレーナーは、検証ステップで最良と判断されたモデルを含む Foundry モデルを出力します。モデルの詳細は、実験に移動することで確認できます。実験には、モデルの性能に関するインサイトを提供するパラメーター、メトリクス、プロットが含まれます。