はじめての機械学習

@y__mattu 2024-04-20

Tokyo.R #112

2

誰？

• 名前: 松村優哉
• 学⽣時代の専⾨: 計量経済学、

ベイズ統計、因果推論、マーケティング

• マーケティング系企業でデータサイエンティスト
• Tokyo.R 運営(初⼼者セッション等)

@y__mattu

ymattu

近況

ガールズバンドクライはいいぞ

3

宣伝

• 『RユーザのためのRStudio[実践]入門』
• 『Rユーザのためのtidymodels[実践]入門』

4

https://ymattu.github.io/slides.html

​

5

目次

• 機械学習とは
• 教師あり学習 vs 教師なし学習
• 分類 vs 回帰
• モデル選択
• Rで機械学習

この資料の対象・目的

対象

• 「AI」は聞いたことがあるけど「機械学習」という言葉を初めて聞く
• これからデータ分析を勉強する

目的

• 「機械学習って結局何をやってるの？」をざっくり理解する
• 「機械学習 = 難しい」or「AIめっちゃすごい」というイメージの払拭
• これから勉強するときの持っておくといいイメージを身につける
• よく出てくるキーワードの理解

話さないこと

• 数式による解説

5

機械学習とは

7

• ⼀⾔で

データからパターンを認識し、

未知の答えを予測するためのルールを自動的に作り出すように、

マシン（コンピュータ）をトレーニングする

簡単なイメージ

8

• 残業時間で退職の有無をおよそ判断できるように、線を引く

=パターン認識

• 残業時間と退職のデータがあったとします

退職した

退職しない

​

残業時間

残業時間

0

30

60

100

0

30

60

100

簡単なイメージ

9

• 新しいデータが得られたとき、引いた線によって、退職の有無を予 測できる

残業時間

0

30

60

100

アルゴリズム

​

データ

モデル

線の引き⽅

線が引かれている状態

教師あり学習 vs 教師なし学習

どのようにモデルを学習するか

11

目的変数従属変数

• 教師あり学習
• 過去のデータの中にラベルがある
• モデルとは、ラベルと変数の関係性を表したもの

説明変数

独立変数

特徴量

教師あり学習の代表的なアルゴリズム

12

• 線形回帰
• ロジスティック回帰、GLM
• SVM
• 決定木、ランダムフォレスト
• XGBoost、LightGBM
• ニューラルネットワーク

ほかにもたくさん

13

アルゴリズム

モデル

予測

どのようにモデルを学習するか

14

• 教師なし学習
• 過去のデータの中にラベルがない
• モデルの中身は、グループ分けのルール
• ラベルは、分けられた結果を見て人がつける

残業・多給与・多

残業・少給与・多

説明変数

独立変数

特徴量

教師なし学習の代表的なアルゴリズム

15

• クラスタリング

k-means

主成分分析

• 異常検知
• トピックモデル

​

ほかにもたくさん

ここからは、教師あり学習に

焦点を当てて

分類 vs 回帰

分類と回帰

• 回帰
• 目的変数が数値

来期の受注数は？来店数は？

17

• 分類
• 目的変数がカテゴリー

辞める？辞めない？

犬？猫？ライオン？

株価は？

二値分類

多値分類・多クラス分類

モデル選択

(モデルの当てはまりと汎化性)

モデル選択

20

• 一番良い線の引き方は？
• 学習データに対する精度
• 未知のデータに対する予測力

給料

​

300万

50

10

30

残業時間

20

40

600万

モデル選択

21

• 究極的には、こう
• 学習データに対する予測力: 100%
• 未知のデータに対する予測力: 弱そう

給料

​

300万

50

10

30

残業時間

20

40

600万

未知のデータがここのとき、モデルはどちらと予測する？

モデル選択

22

• このくらいがバランス良さそう
• 学習データに対する予測力: 90%
• 未知のデータに対する予測力: 強そう

給料

​

300万

50

10

30

残業時間

20

40

600万

モデル選択

22

• 未知のデータへの予測力: 強そう、弱そうをどう判断するか？

→データを学習用、テスト用に分割して、テスト用で予測力を測る

• 参考: クロスバリデーション

退職

1

0

0

1

残業時間

年齢

給与

・・・

学習用

テスト用

ランダムに7:3くらいが多い

https://qiita.com/Takayoshi_Makabe/items/d35eed0c3064b495a08b

分類をRでやってみる

扱うデータ

24

• ペンギンデータ

install.packages("palmerpenguins")

library(palmerpenguins) data(package = 'palmerpenguinsʼ)

head(penguins) #> # A tibble: 6 x 8

#> species island bill_length_mm bill_depth_mm flipper_length_… body_mass_g sex

#> <fct> <fct> <dbl> <dbl> <int> <int> <fct>

#> 1 Adelie Torge… 39.1 18.7 181 3750 male

#> 2 Adelie Torge… 39.5 17.4 186 3800 fema…

#> 3 Adelie Torge… 40.3 18 195 3250 fema… #> 4 Adelie Torge… NA NA NA NA <NA>

#> 5 Adelie Torge… 36.7 19.3 193 3450 fema…

#> 6 Adelie Torge… 39.3 20.6 190 3650 male

#> # … with 1 more variable: year <int>

dat <- penguins %>% dplyr::filter(!is.na(sex)) # sexが欠損の列を除外

決定木モデル

26

# データを分割

idx <- sample(nrow(dat), nrow(dat) * 0.8)

data.train <- dat[idx, ] data.test <- dat[-idx, ]

​

model.dt <- partykit::ctree(species ~ . , data = data.train) plot(model.dt, type = "simple")

ランダムフォレスト

27

https://speakerdeck.com/kanaugust/exploratory-semina-number-46-ji-jie-xue-xi-101?slide=69

ランダムフォレスト

27

model.rf <- ranger::ranger(species ~ . , data = data.train,

mtry = 2,num.trees = 50) result.rf <- predict(model.dt, data.test)

cm.rf <- caret::confusionMatrix(result.rf, data.test$species)

​

#> Confusion Matrix and Statistics #>

#> Reference

#> Prediction Adelie Chinstrap Gentoo

#> Adelie 24

#> Chinstrap 4

#> Gentoo 0

0 0

13 0

0 26

#>

#> Overall Statistics #>

Accuracy : 0.9403

95% CI : (0.8541, 0.9835)

#> #>

#> No Information Rate : 0.4179

#> P-Value [Acc > NIR] : < 2.2e-16

#> ・・・

まとめ

29

まとめ

• 機械学習は、要するにパターン認識
• データをマッピングして、線を引くイメージ
• ⽅法として、教師あり学習と教師なし学習がある
• 教師あり→データにラベルがある
• 教師なし→データにラベルがない
• ラベルが数値の場合、回帰。ラベルがカテゴリの場合、分類。
• モデルの当てはまり・汎化性に気をつけよう
• Rでは様々なアルゴリズムに対応するパッケージが⽤意されている
• 使ってみて、統⼀感がないなあと思う場合はtidymodelsもおすすめ

31

tidymodels

• 『Rユーザのためのtidymodels[実践]入門』