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モデルトレーナー回帰

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。

回帰トレーナー

回帰トレーナーは、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トレーニングします。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、このトレーナーはアンサンブルも活用することがあります。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。

回帰トレーナーは、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を実行することもあります。スタッキングは、入力データでトレーニングしたモデルが生成する予測を使用して、モデルの次の「層」をトレーニングするアンサンブルの手法です。この処理は繰り返されることもあります。バギングは、データからランダムに抽出した複数のサンプルでモデルアーキテクチャごとにトレーニングし、その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、トレーニングプリセットパラメーターで制御します。

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。

トレーニングされるモデル

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、内部では複数のモデルがトレーニングされます。

次の種類のモデルをトレーニングできます。

これらのモデルの一部は厳密には機密情報区分モデルですが、スタッキングを使用すると回帰にも適用できます。

パラメーター

  • 評価メトリクス：トレーニング時にモデルの性能を評価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、どの評価メトリクスでより高い性能を示すかは異なります。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。誤差を測定する回帰評価メトリクス（MAE、MSE、RMSE など）では、値が低いほど性能が高いことを示します。一方、R² やピアソン相関などのメトリクスでは、値が高いほどモデルの性能が高いことを示します。
  • トレーニングプリセット：トレーニングプリセットは、バギングや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。トレーニング速度と推論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。トレーニング時間と推論時間は best_quality プリセットよりも短くなるはずですが、モデルの精度がわずかに低くなる可能性があります。
    • 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、前述のプリセットよりもトレーニング速度と推論速度が速く、十分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。このプリセットはトレーニング時間が最も短いものの、予測精度は中程度です。プロトタイプ作成に使用します。
  • トレーニングと推論の制限：
    • トレーニング時間の上限：トレーニング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適用されることがあります。時間制限に達すると、ジョブのトレーニング部分は終了しますが、モデルの検証が完了してモデルが公開されるまで、ジョブは終了しません。
    • 推論時間の上限：モデルが推論時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。厳格な推論時間制限が必要でない限り、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トレーニングで使用しないように除外します。
  • 予測列名：予測列名を上書きします。デフォルトでは、対象列の名前が使用されます。

詳細：スタッキング設定

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築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、この値は効果を持ちません。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、このオプションは効果を持ちません。

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、トレーニングするモデルごとに、より細かいカスタマイズと制御ができます。ただし、注意点が1つあります。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上書きするため、結果が悪くなる可能性があります。そのため、AutoGluon のドキュメント ↗を確認していない場合は、この項目の使用を避けることを推奨します。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。

一般に、ここで渡された引数は、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により、次のモデルが必ずトレーニングされます。

  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を適用する前にトレーニングされるのは、これらのモデルのみです。

出力

回帰トレーナーは、検証ステップによって最良と判断されたモデルを含む Foundry モデルを出力します。モデルの詳細には、実験に移動するとアクセスできます。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。