特徴量エンジニアリングのライブラリ xfeat を使ってみて便利だったこと - Taste of Tech Topics
こんにちは。機械学習エンジニアをしている古賀です。 最近は愉快な上司@tereka114 のもと、精度の上がらないモデルに四苦八苦しています。 そんな私が普段データ分析をする際に難しいことの一つとして、特徴量エンジニアリングがあります。 特徴量エンジニアリングとは、元のデータに新たな特徴量を追加することでモデルの精度を向上させるプロセスのことです。 この結果によってモデルの精度が大きく変わりますが、正しく実行するにはデータへの深い理解やデータ分析力が必要になります。 私もあまり得意ではないのですが、これを簡単にする xfeat という便利なライブラリがあると上司が教えてくれたので、実際に使ってみて便利だったことをまとめました。 ※本記事は、Pythonその3 Advent Calendar 2020 の15日目の内容になります。 目次は以下です。 xfeat とは 準備 実行環境 xfea
Python製ハイパーパラメータ学習ライブラリoptunaを使って様々な言語のコードを最適化する方法 - MyEnigma
Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎 posted with カエレバ Amazon 目次 目次 はじめに ハイパーパラメータ学習ライブラリoptuna Pythonのコードをoptunaでパラメータ最適化してみる。 C++のコードをoptunaでパラメータ最適化してみる Juliaのコードをoptunaでパラメータ最適化してみる 今後optunaに期待すること create_studyとstudyの関数の統合 他の言語との統合方法のexampleの拡充 GitHubリポジトリ 参考資料 MyEnigma Supporters はじめに 最近、最適化技術の勉強の一貫として、 ベイズ統計・最適化を勉強しようと思っています。 そこで、以前PFNが公開した ベイズ最適化による、ハイパーパラメータ自動最適化ツールである optuna
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
