表データや実験データから、特徴量の整理、モデルの学習、パラメータ調整、検証、結果の解釈までを行う、研究の予測モデリングに向いたフロー。
予測する目的変数、使える説明変数、サンプルの単位、評価指標を決めます。
機械学習モデルは、複雑なアルゴリズムを追い求めることよりも、まず研究課題に役立つことが大切です。
欠損値、外れ値、カテゴリ変数、連続変数を整理し、モデリングに使えるデータ表を作ります。
学習データと検証データには、必ず同じ特徴量処理の手順を使ってください。
学習セット、検証セット、テストセットに分割するか、交差検証でモデルの安定性を評価します。
サンプルサイズが小さい場合は、1 回の分割より交差検証のほうが確実なことが多いです。
ランダムフォレスト、勾配ブースティング、サポートベクターマシンなどのモデルを学習させ、基本的なパラメータ調整を行います。
まずシンプルなベースラインモデルを作り、それから複雑なモデルを試しましょう。
R²、RMSE、MAE、正解率、F1、AUC などの指標を報告し、変数の重要度を分析します。
論文ではモデルの検証方法を説明し、学習データでの結果だけを示さないようにしてください。
