分類エクスペリメントまたは回帰エクスペリメントの構成

AutoAI は、分類エクスペリメントまたは回帰エクスペリメントを構成およびカスタマイズするために使用できるエクスペリメント設定を提供します。

実験設定の概要

エクスペリメント・データをアップロードし、エクスペリメント・タイプと予測するものを選択すると、 AutoAI はエクスペリメントのデフォルト構成とメトリックを設定します。これらのデフォルトを受け入れて実験を続行するか、 実験設定 をクリックして構成をカスタマイズすることができます。構成をカスタマイズすることにより、エクスペリメントで候補モデル・パイプラインを構築する方法を正確に制御できます。

以下の表を、クラス判別および回帰のエクスペリメントの設定のガイドとして使用してください。時系列実験の構成について詳しくは、時系列実験の作成を参照してください。

予測設定

ほとんどの予測設定は、メインの一般ページにあります。以下の設定を確認または更新します。

この属性	説明
予測タイプ	予測タイプは変更またはオーバーライドできます。例えば、 AutoAI が 2 つのデータ・クラスのみを検出し、バイナリー分類エクスペリメントを構成したが、 3 つのデータ・クラスがあることが分かっている場合は、タイプを多クラスに変更できます。
肯定的なクラス	精度、平均精度、リコール、または F1 に最適化された二項分類エクスペリメントの場合、正のクラスが必要です。陽性分類が正しいことを確認してください。正しくない場合は、実験によって不正確な結果が生成される可能性があります。
最適化メトリック	モデル候補パイプラインを最適化およびランク付けするためのメトリックを変更します。
最適化されたランタイム	AutoAI が実験のランタイムを最適化する方法を選択します。ランタイム用に最適化しない場合、 AutoAI は可能な限り高い精度を達成することに重点を置きますが、エクスペリメントの完了に時間がかかります。最適化を選択した場合、 AutoAI は、より短い実行時間に重点を置き、正確さに重点を置かないようにします。このフォーカスは、アルゴリズムの選択時、ハイパーパラメーターのチューニング時、または両方のフェーズにわたって適用して、最も速い結果を得ることができます。
含めるべきアルゴリズム	エクスペリメントの実行時に評価する、使用可能なアルゴリズムを選択します。アルゴリズムの一覧は、選択された予測タイプに基づいています。
使用するアルゴリズム	AutoAI は、指定されたアルゴリズムをテストし、最適なパフォーマーを使用してモデル・パイプラインを作成します。適用する最適なアルゴリズムの数を選択します。各アルゴリズムは 4 個から 5 個のパイプラインを生成します。つまり、使用するアルゴリズムを 3 つ選択した場合、エクスペリメント結果には 12 個から 15 個のランク付けされたパイプラインが含まれます。アルゴリズムが多いほど、実験の実行時間が長くなります。

データ公平性の設定

公平性 タブをクリックして、予測結果の公平性についてエクスペリメントを評価します。公平性検出の構成について詳しくは、公平性テストの AutoAI ・エクスペリメントへの適用を参照してください。

データソースの設定

データ・ソース設定の 一般的な タブには、エクスペリメントでトレーニングおよび評価のためにデータを取り込んで処理する方法を構成するためのオプションが用意されています。

この属性	説明
順序付けられたデータ	トレーニングデータが行インデックスに従って順序付けられているかどうかを指定してください。入力データが順次データの場合、モデルのパフォーマンスはランダム・サンプリングではなく最新のレコードに対して評価され、ホールドアウト・データは、 n 個のランダム・レコードではなく、セットの最後の n 個のレコードを使用します。時系列実験には順次データが必要ですが、分類実験および回帰実験ではオプションです。
重複行	トレーニングを加速するために、トレーニング・データ内の重複行をスキップすることを選択できます。
パイプライン選択のサブサンプリング法	データセットが大きい場合は、実験のトレーニングにデータの一部を使用してください。このオプションは結果を高速化しますが、正確性に影響を与える可能性があります。
特徴量の詳細化	モデルに影響を与えない特徴量の処理方法を指定します。選択項目は、常にフィーチャーを削除するか、モデルの品質が向上する場合に削除するか、または削除しないかです。フィーチャーの重要度の計算方法について詳しくは、 AutoAI 実装の詳細を参照してください。
データ代入	データソース内の欠損値を補間してください。データ代入の管理について詳しくは、 AutoAI エクスペリメントでのデータ代入を参照してください。
日付・時刻の処理を使用する	デフォルトで有効になっていて、日付列を検出し、さまざまなタイプの日付/時刻形式の集約用に新しい列を追加します。日付/時刻の列を日付/時刻の値としてではなく ID として使用する場合は、このオプションを無効にします。
テキストの特徴量エンジニアリング	有効にすると、テキストとして検出された列がベクトルに変換され、ストリング間の意味的類似性をより適切に分析できます。この設定を有効にすると、実行時間が増える可能性があります。詳しくは、テキスト分析エクスペリメントの作成を参照してください。
最終的なトレーニングデータセット	最終パイプラインのトレーニングに使用するデータを選択します。トレーニング・データのみを含めることを選択した場合、生成されたノートブックには、各パイプラインの評価に使用されるホールドアウト・データを取得するためのセルが含まれます。
外れ値の処理	AutoAI が、学習の正確度を向上させるために、対象列から外れ値を除外するかどうかを選択します。有効にすると、 AutoAI は、 4 分位範囲 (IQR) 方式を使用して、最終的なトレーニング・データ (トレーニング・データのみ、またはトレーニング・データとホールドアウト・データの両方) から外れ値を検出して除外します。
トレーニングおよびホールドアウト法	トレーニング・データはモデルのトレーニングに使用され、ホールドアウト・データはモデルをトレーニングすることなく、モデルのパフォーマンスを測定するために使用されます。クラス判別モデルと回帰モデルの場合、単一のデータ・ソースを学習データとテスト (ホールドアウト) データに分割するか、またはテスト・データ専用の 2 番目のデータ・ファイルを使用することができます。トレーニング・データを分割する場合は、トレーニング・データとホールドアウト・データに使用するパーセンテージを指定します。ホールドアウト・データは、学習データの 3 分の 1 を超えてはなりません。また、 3 個の折り返し (デフォルト) から最大 10 個までの折り返しの数を指定することもできます。交差検証では、モデルの性能を評価するために、学習データを複数のグループ（フォールド）に分割します。
含める機能を選択してください	予測列をサポートするデータを含むデータ・ソースから列を選択します。無関係な列を除外すると、実行時間が短縮されます。

ランタイム設定

エクスペリメント設定を確認するか、エクスペリメントの実行に割り振られているコンピュート・リソースを変更します。

次のステップ

テキスト分析エクスペリメントの構成