PyCaretとは

PyCaretとは、機械学習のモデル開発において、データの前処理や可視化、モデル開発を数行のコードで実現可能なPythonのAutoMLライブラリです。

PyCaretはいくつかの主要な機械学習ライブラリ（scikit-learn, XGBoost, LightGBMなど）をPythonでラッパーしており、分類や回帰、クラスタリング、異常検知、自然言語処理が扱えます。

この記事では「PyCaret」を用いて、「scikit-learn」付属のirisデータセットを利用し分類問題を実施します。

PyCaretをインストールする

普段利用しているPCにインストールする場合、ターミナルやコマンドプロンプトを開き、以下のコマンドでインストール出来ます。

pip install pycaret

Jupyter NotebookやGoogle Colabでは先頭に!をつけて以下のコマンドにてインストール出来ます。

!pip install pycaret

この記事ではPyCaretのバージョンを2.3.5を用い、実行環境はGoogle Colabを用います。

必要なパッケージの読み込み

import warnings
# 不要な警告文非表示
warnings.filterwarnings("ignore")
from pycaret.classification import *
from sklearn.datasets import load_iris
import pandas as pd

https://pycaret.readthedocs.io/en/latest/api/classification.html

データの読み込み

iris = load_iris()
X = pd.DataFrame(iris.data, columns=iris.feature_names)
y = pd.DataFrame(iris.target, columns=["target"])
df = pd.concat([X,y], axis=1)

先頭5件表示

pandasのhead()で先ほど作成したデータフレーム（df）から先頭より５件を表示します。

df.head()

前処理

setup()を使うと、欠損値処理、データ分割などを行なってくれます。

targetには、目的変数を渡します。

exp1 = setup(df, target = 'target')

モデルを比較する

モデルの比較はcompare_models()を使います。（※ 末尾に「s」をつける必要があります）

compare_models()

モデリング

今回は、「Accuracy(正解率)」が最も高い「lda(Linear Discriminant Analysis)」でモデルを作成します。
出力される表の「Model」列に比較するモデル手法の名前が記載されています。

model = create_model('lda')

モデルのチューニング

下記のコードでモデルのハイパーパラメータのチューニング（最適化）を実行します。

tuned_model = tune_model(model, optimize = 'Accuracy')

ハイパーパラメータの確認

# モデルの評価指標を確認
evaluate_model(tuned_model)

特徴量の重要度の算出

「Feature Important」を選択すると、各特徴量がどの程度予測と関連しているか可視化できます。

学習曲線を確認する

「Plot Type」の「Learning Curve」を選択すると、学習曲線を可視化できます。

学習用データとテスト用データの予測精度がデータ数に対しどの程度推移しているか確認できます。

作成したモデルの読み込み

finalize_model()で作成したtuned_modelを読み込みます。

final_model = finalize_model(tuned_model)

予測

predict_model()で予測できます。

pred = predict_model(final_model, data = X)

機械学習を効率よく学ぶには？

この記事では「PyCaret」を用いて機械学習の一連のプロセス（モデルの比較検討やモデル作成等）が簡単に数行のコードでできました。

もっと深く機械学習を学びたいという方は、データサイエンティストや機械学習エンジニアに質問し放題かつ、データ分析の基礎から実践まで、体系的に学べる動画コンテンツでデータ分析技術を学びたい方は、オンラインで好きな時間に勉強できるAI Academy Bootcampがオススメです。