LOOCV（Leave-one-out-cross-validation）

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

この演習はコースの一部です

Python によるモデル検証

SkillTag.level.intermediateSkillTag.label

4.9+

無料でコースを始める

モデルを検証する前に、まずはモデルの作成と扱い方を理解する必要があります。本章では、scikit-learn を使った回帰モデルと分類モデルの実行方法を紹介します。ここで学ぶモデル構築の基礎は、以降の章でも繰り返し活用していきます。

Exercise 1: モデル検証のはじめかた Exercise 2: モデリングのステップ Exercise 3: 見たデータ vs. 見ていないデータ Exercise 4: 回帰モデル Exercise 5: パラメータを設定してモデルを学習する Exercise 6: 特徴量の重要度 Exercise 7: 分類モデル Exercise 8: 分類の予測 Exercise 9: モデルパラメータの再利用 Exercise 10: ランダムフォレスト分類器

この章では、モデル検証の基本に焦点を当てます。データを学習・検証・テスト用に分割する方法から、バイアス–バリアンストレードオフの理解までを扱い、第3章で実践する K-Fold や Leave-One-Out 検証の土台を築きます。

Exercise 1: 学習・テスト・検証データセットを作成する Exercise 2: ホールドアウトセットを1つ作成する Exercise 3: 2つのホールドアウト集合を作る Exercise 4: ホールドアウトセットを使う理由 Exercise 5: 精度指標：回帰モデル Exercise 6: 平均絶対誤差 Exercise 7: 平均二乗誤差 Exercise 8: データのサブセットでの性能評価 Exercise 9: 分類指標 Exercise 10: 混同行列（Confusion matrix）Exercise 11: もう一度、混同行列 Exercise 12: Precision と Recall Exercise 13: バイアス・バリアンスのトレードオフ Exercise 14: アンダーフィット／オーバーフィットによる誤差 Exercise 15: アンダーフィッティングしていませんか？

ホールドアウトセットは、モデル検証の良い出発点です。ただし、単一の学習・テスト分割だけでは不十分なことがよくあります。クロスバリデーションはモデル性能の検証における標準的手法とされ、ハイパーパラメータのチューニングでもほぼ必ず使われます。この章では、クロスバリデーションを実行してモデルの性能を検証する方法に焦点を当てます。

Exercise 1: ホールドアウト法の課題点 Exercise 2: 2つのサンプル Exercise 3: 起こりうる問題点 Exercise 4: クロスバリデーション Exercise 5: scikit-learn の KFold()Exercise 6: KFold のインデックスを使う Exercise 7: sklearn の cross_val_score()Exercise 8: scikit-learn のメソッド Exercise 9: cross_val_score() を実装する Exercise 10: LOOCV（Leave-one-out-cross-validation）

現在の演習

Exercise 11: LOOCV を使うべき場面 Exercise 12: Leave-one-out-cross-validation

最初の3章ではモデル検証の手法に焦点を当てました。第4章では、特にクロスバリデーションを使いながら、ハイパーパラメータチューニングを学び、これらの手法を実際に適用します。検証があるからこそチューニングが可能になり、全体として最良のモデルを選択できるのです。

Exercise 1: ハイパーパラメータチューニング入門 Exercise 2: ハイパーパラメータを作成する Exercise 3: レンジを使ってモデルを実行する Exercise 4: RandomizedSearchCV Exercise 5: RandomizedSearch に向けた準備 Exercise 6: RandomizedSearchCV を実装する Exercise 7: 最終モデルを選ぶ Exercise 8: 最良の分類精度 Exercise 9: 最も適合率（precision）が高いモデルを選ぶ Exercise 10: コースを完了しました！