自動化プロセス：
モデル選択
特徴エンジニアリング
ハイパーパラメータ調整
モデル融合
TobularDataset#
Tobular 表形式の
from autogluon.tabular import TabularDataset, TabularPredictor
data_root = 'https://autogluon.s3.amazonaws.com/datasets/Inc/'
# data_root + 'train.csv' = 'https://autogluon.s3.amazonaws.com/datasets/Inc/train.csv' からリンクでデータを取得
train_data = TabularDataset(data_root + 'train.csv')
test_data = TabularDataset(data_root + 'test.csv')
# モデルを訓練
predictor = TabularPredictor(label='class').fit(train_data=train_data, presets = 'high_quality')
# preset デフォルトは medium_quality で、異なるパラメータに変更可能で、計算性能に関係する
# テストセット予測
predictions = predictor.predict(test_data)
# 評価
predictor.evaluate(test_data, silent=True)
TabularPredictor 重要なパラメータ
- label：予測対象の変数の列名
- problem_type ：予測問題のタイプ、二項 / 多クラス分類または回帰問題 (binary, multiclass, regression, quantile)。もし problem_type = None の場合、提供されたデータセットのラベル値に基づいて予測問題のタイプを推測します。
- eval_metric ：評価指標。もし eval_metric = None の場合、problem_type に基づいて自動的に選択されます。デフォルトは二項および多クラス分類の ' accuracy '、回帰の ' root_mean_squared_error '、分位数の ' pinball_loss ' です。
- 分類：[‘accuracy’, ‘balanced_accuracy’, ‘f1’, ‘f1_macro’, ‘f1_micro’, ‘f1_weighted’, ‘roc_auc’, ‘roc_auc_ovo_macro’, ‘average_precision’, ‘precision’, ‘precision_macro’, ‘precision_micro’, ‘precision_weighted’, ‘recall’, ‘recall_macro’, ‘recall_micro’, ‘recall_weighted’, ‘log_loss’, ‘pac_score’]
- 回帰：[‘root_mean_squared_error’, ‘mean_squared_error’, ‘mean_absolute_error’, ‘median_absolute_error’, ‘mean_absolute_percentage_error’, ‘r2’]
Fit 重要なパラメータ
- train_data (str または TabularDataset または pd.DataFrame) - 訓練データの表
- time_limit (int, default = None) - fit () がどれくらいの時間（秒単位）実行されるべきか
- presets ：モデルのパフォーマンス。パフォーマンスが良いほど、時間がかかります。[‘best_quality’, ‘high_quality’, ‘good_quality’, ‘medium_quality’, ‘optimize_for_deployment’, ‘interpretable’, ‘ignore_text’]
- num_bag_folds：K 分割交差検証の分割数
- excluded_model_types：使用しないモデルの種類 excluded_model_types=[‘KNN’, ‘custom’]
- num_stack_levels：スタックの層数 通常 0-3