自動機械学習　Pycaret 特徴量の重要度出力機能　紹介

はじめに

　Pycaretは、Auto ML（自動機械学習）のオープンソースライブラリとして、最も有名なものです。

Pycaretは、ただ自動で複数のモデルを試してくれるだけでなく、様々なデータ分析の便利機能を備えています。

　今回は、便利機能の中でも、最も有益な特徴量の重要度出力機能について紹介します。特徴量選択が必要な場合や理由説明が必要な場合に、とっても嬉しい機能ですので、ぜひ覚えてください。

説明

インストール

# シンプルに入れるなら
pip install pycaret
# フルバージョンなら
pip install pycaret[full]

ライブラリのインストールです、コマンドラインで、

• ２行目：シンプルに入れるならこちら。
• ４行目：フルバージョンで入れるならこちら。各ライブラリの依存関係がクリアされているので、こちらがおすすめです。

インポートとバージョン確認

import pycaret
pycaret.__version__

• 1行目：pycaretをインポート
• ２行目：バージョン確認

データ準備

# loading sample dataset from pycaret dataset module
from pycaret.datasets import get_data
data = get_data('iris')

データを準備します。今回はおなじみの、アイリスデータです。あやめの、ガクや花びらのサイズから種類を予測するデータセットですね。

• １行目：pycaretのデータ取得をインポート
• ２行目：おなじみのアイリス（あやめの種類分類データセット）を取得

セットアップと学習

データの設定をして、モデルを作成します。pycaretは自動機械学習のライブラリなので、複数モデルまとめて学習かのうですが、特徴量の重要度を可視化するためには、モデルを一つ選ぶことになりますのでご注意ください。

s = setup(data, target = 'species', session_id = 123)

# train lightgbm model
lightgbm = create_model('lightgbm')

• 1行目：データセット、ターゲット予測対象（”species”）を選んで、setupしてオブジェクトを作成します。
• ４行目：モデルを作成します。今回の例では、安心のLightGBMにしておきましょう。

特徴量の重要度

# interpret summary model
interpret_model(lightgbm, plot = 'summary')

ここが本題の特徴量の重要度のplotです。よく使うので覚えておきましょう。特徴量選択の時で便利ですよ。

下のグラフのように、４つの特徴量それぞれについて、各クラスへの重要度が可視化できます。

• ２行目：LightGBMを学習しておいて
• ４行目：重要度のサマリを表示します

# reason plot for test set observation 1
interpret_model(lightgbm, plot = 'reason', observation = 1)

こちらは、reason plot というものです。簡単に出力されますので試してみてください。

まとめ

自動機械学習ライブラリ、pycaretで特徴量の重要度を出力する方法を紹介しました。

簡単にできて便利ですよね。

これ以外にも、各種グラフ作成など、pycaretは、データサイエンティストが行う分析処理を、簡単に実行できるAPIが用意されていますので、ぜひ覚えてください。