【競馬AI開発#14】LightGBMのハイパーパラメータって結局どうすれば良いの？
この【競馬AI開発】シリーズでは、競馬予想AIを作ることを通して、機械学習・データサイエンスの勉強になるコンテンツの発信や、筆者が行った実験の共有などを行っていきます。
学習から予測までの競馬予想AIのコードが一通り完成したので、今は実験を繰り返して精度をさらに高めていくフェーズに入っています。
■今回やること
今回は「ハイパーパラメータの調整」について、ベストな方法を探っていきます。
「ハイパーパラメータ」とは、機械学習モデルの学習プロセスを制御する設定値のことで、これらはモデルの訓練前に外から設定します。例えば、決定木モデルの「木の深さ」や「葉の数」などがこれに該当します。
インプットした変数の大小によって、データを分類していくことで予測を行う。
特に、今使用している「LightGBM」という機械学習モデルは、ハイパーパラメータを適切に設定しないと、モデルが訓練データに過度に適応する「過学習」が起きやすく、予測精度が落ちてしまいます。
「LightGBM」については、以下の記事で詳しく解説しているので、参考までに。
■LightGBMのハイパーパラメータ調整が難しい理由
LightGBMには多数のハイパーパラメータが存在しており、ざっと列挙するだけでも以下のようなものがあります。
・learning_rate
・num_leaves
・max_depth
・min_data_in_leaf
・min_sum_hessian_in_leaf
・bagging_fraction
・bagging_freq
・feature_fraction
・early_stopping_round
・lambda_l1
・lambda_l2
・min_gain_to_split
・max_bin
・metric前提として、最適なハイパーパラメータは一概に決められるものではなく、学習させるデータによって変わってくるので、厳密に最適化しようと思うと、インプットするデータを変える度（特徴量の追加も含む）にこれらのハイパーパラメータを全て調整しなければなりません。
ですが、様々な特徴量を試してモデルの精度を上げていきたい局面では、特徴量を変える度にハイパーパラメータを微調整するのは非効率なため、「ある程度適当な値」で固定しておきたい事情もあります。
そこでこの記事では、「Kaggle」でGoldの成績を残した実績のあるハイパーパラメータ一覧の集計や、自動最適化ツール「optuna」ではどのように最適化されているか？コードを読み解くことを通じて、
✅ ハイパーパラメータは大体どの程度の値に設定しておけば間違いないか？
✅ 上記ハイパーパラメータの中でも、どれが特に重要で、どの順に最適化するのが良いのか？
について探っていきます。また、それを今作成している競馬予想AI作成のコードに適応し、精度の変化について見ていきます。
使用するソースコードは、下に進んでダウンロード・解凍すればそのまま使うことができるので、適宜手元で参照・実行しながらお読みください。
■動画
■筆者のプロフィール
東京大学大学院卒業後、データサイエンティストとしてWEBマーケティング調査会社でWEB上の消費者行動ログ分析などを経験。
現在は、大手IT系事業会社で、転職サイトのレコメンドシステムの開発を行っています。
定期購読をすると、今月更新される記事に加えて#1〜#4の記事が980円で全て読めるので、単品購入より圧倒的にお得です。
ソースコードのダウンロード
■ファイルに含まれるソースコード一覧
main.ipynbを実行することで、データ取得〜予測まで全て行うことができます。
.
├── requirements.txt ・・・必要なライブラリを記載
├── README.md ・・・ディレクトリ構成を記載（本ファイル）
├── common
│ ├── data
│ │ ├── html
│ │ │ ├── race
│ │ │ │ └── {race_id}.bin ・・・スクレイピングしたraceページのhtml
│ │ │ └── horse
│ │ │ └── {horse_id}.bin ・・・スクレイピングしたhorseページのhtml
│ │ ├── rawdf
│ │ │ ├── results.csv
│ │ │ ├── horse_results.csv
│ │ │ ├── horse_results_prediction.csv
│ │ │ ├── return_tables.csv
│ │ │ └── race_info.csv
│ │ ├── mapping ・・・カテゴリ変数から整数へのマッピング
│ │ │ ├── around.json
│ │ │ ├── ground_state.json
│ │ │ ├── race_class.json
│ │ │ ├── race_type.json
│ │ │ ├── sex.json
│ │ │ └── weather.json
│ │ └── prediction_population ・・・予測母集団（開催日, race_id, horse_id）
│ │ └── population.csv
│ └── src
│ ├── create_rawdf.py ・・・htmlをDataFrameに変換する関数を定義
│ ├── main.ipynb ・・・コードを実行するnotebook
│ ├── dev.ipynb ・・・開発用notebook
│ ├── create_prediction_population.py ・・・予測母集団を作成する関数を定義
│ └── scraping.py ・・・スクレイピングする関数を定義
├── v3_0_2
│ ├── data
│ └── src
├── v3_exp3 ・・・今回の実験を行うディレクトリ
│ ├── data
│ │ ├── 00_population ・・・学習母集団を保存するディレクトリ
│ │ │ └── population.csv
│ │ ├── 01_preprocessed ・・・前処理済みのデータを保存するディレクトリ
│ │ │ ├── horse_results.csv
│ │ │ ├── horse_results_prediction.csv
│ │ │ ├── return_tables.pickle
│ │ │ ├── results.csv
│ │ │ └── race_info.csv
│ │ ├── 02_features ・・・全てのテーブルを集計・結合した特徴量を保存するディレクトリ
│ │ │ └── features.csv
│ │ ├── 03_train ・・・学習結果を保存するディレクトリ
│ │ │ ├── model.pkl ・・・学習済みモデル
│ │ │ ├── evaluation.csv ・・・検証データに対する予測結果
│ │ │ ├── importance.csv ・・・特徴量重要度（一覧）
│ │ │ └── importance.png ・・・特徴量重要度（上位を可視化）
│ │ └── 04_evaluation ・・・検証データに対する精度評価結果を保存するディレクトリ
│ └── src
│ ├── dev.ipynb ・・・開発用notebook
│ ├── main.ipynb ・・・コードを実行するnotebook
│ ├── create_population.py ・・・学習母集団を作成する関数を定義
│ ├── preprocessing.py ・・・/common/rawdf/のデータを前処理する関数を定義
│ ├── feature_engineering.py ・・・機械学習モデルにインプットする特徴量を作成するクラスを定義
│ ├── config.yaml ・・・学習に用いる特徴量一覧
│ ├── train.py ・・・学習処理を行うクラスを定義
│ ├── evaluation.py ・・・モデルの精度評価を行うクラスを定義
│ └── prediction.py ・・・予測処理を行う関数を定義
└── v3_0_3 ・・・実験結果を反映した新しいバージョン
├── data
└── srcここから先は
¥ 1,480
この記事が気に入ったらサポートをしてみませんか？