機械学習の初心者が時間を節約するためのサイト

AI分野の成長が注目されるにともない、基盤となる技術として機械学習やディープラーニングを身につけたいと学びはじめた方に向けたサイトです。
機械学習やディープラーニングの知識を習得する途中で、Pythonの使い方で時間を浪費しないように、つまづきやすい小石を拾っておきますので、是非ご覧ください。

pandas

【Python覚書】LightGBMで回帰分析を解いてみる

「教師あり学習」の分野である「回帰分析」を、交差検証によるLightGBMのモデルで解いてみます。
pandas

【Python入門】pickleファイルへ保存し、読み込む方法

はじめに オブジェクトをファイルにして保存する方法です。機械学習では、前処理済みのデータ、学習済みのモデルなどを残したいときなどに使用します。Pythonの標準ライブラリpickleではなく、Pandasを使った簡単なやり方を紹介し...
pandas

【Python覚書】パラメーターチューニング:出力の活用(Pandasの使い方)

Pandasを使って、機械学習の出力を見やすく整形する方法を解説します。numpy配列や辞書からデータフレーム作成する方法やデータフレームの結合など、一連の操作を行うことで、データ整形の流れが分かるようになります。
Python

【Python覚書】パラメーターチューニング:XGBoostで実装

XGBoostの「ハイパーパラメーター」を調整して、予測性能の向上させる方法を解説します。アーリーストッピングを併用したグリッドサーチとランダムサーチの実装を通じて、一連の流れが分かるようになります。
Python

【Python覚書】アンサンブル学習:XGBoost、LightGBM、CatBoostを組み合わせる(その2)

XGBoost、LightGBM、CatBoostを組み合わせたアンサンブル学習で、予測性能が向上するのか確かめてみます。多数決による予測(Voting)とスタッキングによる予測(Stacking)を実装してみます。(その1)からの続きです。
Python

【Python覚書】アンサンブル学習:XGBoost、LightGBM、CatBoostを組み合わせる(その1)

XGBoost、LightGBM、CatBoostを組み合わせたアンサンブル学習で、予測性能が向上するのか確かめてみます。多数決による予測(Voting)とスタッキングによる予測(Stacking)を実装してみます。(その2)に続きます。
Python

【Python覚書】XGBoostで多値分類問題を解いてみる

XGBoostの使い方をまとめて解説します。データセットの読込から学習過程の可視化まで、一連の作業をやってみます。
Python

【Python覚書】LightGBMで交差検証を実装してみる

LigthGBMで多値分類問題を解いてみます。性能指標には、multi_Loglossを使用します。交差検証(クロスバリデーション)を行うことで、モデルの性能が向上することを確認します。
Python

【Python覚書】LigthGBMで多値分類問題を解いてみる

LightGBMの使い方をまとめて解説します。データセットの読込から学習過程の可視化まで、一連の作業をやってみます。
numpy

【Python入門】pandas.DataFrameを作る2つの方法

pandas.DataFrameの作り方です。 リストやNumpy配列などの既存のデータから作ることが多いとは思いますが、手打ちでサンプルデータを作って見たいと思います。
タイトルとURLをコピーしました