ランダムフォレストで特徴量の重要度を評価する : 新規事業のつくり方

機械学習界隈で、最強アルゴリズムの一角を占めていたランダムフォレスト。ディープラーニングが登場した後急速に存在感をなくすものの、その利便性と強力さから多くのデータサイエンティストが現役利用中。 scikit-learnでのランダムフォレスト、分類モデルと重要度評価の実装方法まとめました。 決定木の問題点決定木は、上から順に条件分岐を作って分類モデルを作る手法です。ルールが可視化できる、正規化や標準化などのデータ加工が不要など、素晴らしいアルゴリズムです。 しかし、決定木は過学習を起こしやすいという問題点がありました。 前の記事：Pythonの決定木分析できのこ派とたけのこ派を予測するランダムフォレストとは ランダムフォレストは、決定木をたくさん作ってその結果を多数決（平均化）することで、決定木の過学習を平準化するアルゴリズムです（アンサンブル学習と言います）。

[call_me_nots]

”ちなみに重要度評価は、実務でもかなり使えます。ディープラーニングで学習させる前に、ランダムフォレストで特徴選定するとか結構聞きますね”