コンペ用LightGBMテンプレ

※当サイトはアフィリエイト広告を利用しています

データ分析
2022.11.27

LightGBMによる予測モデルの構築とOptunaを用いたハイパーパラメータ調整の利用テンプレ

データの読み込み

#ライブラリのインポート
import pandas as pd
import numpy as np
from tqdm import tqdm

#データの読み込み
TRAIN = pd.read_csv('train.csv')
TEST = pd.read_csv('test.csv')

TRAIN['CAT']='train'
TEST['CAT']='test'

DATA = pd.concat([TRAIN, TEST], axis=0)
DATA = DATA.reset_index(drop=True)

DATA = pd.concat([DATA['y'], DATA.drop('y', axis=1)], axis=1)
###############
#特徴量作成
###############

訓練用データとテストデータを読み込む。

この後のフェーズで特徴量を作ることになるが、別々に作ると作業が面倒なのでtrain/testを縦に結合して処理していく。その際にどちらのデータかわからなくなるのでカテゴリ(CAT)としてtrainとtestそれぞれ記載しておく。

結合の際はindexが重複してしまうので「.reset_index」でインデックスを振り直す。
「drop=True」は旧indexを残すかどうかの引数で、不要なのでTrueに設定

特徴量を追加していくと列が長くなっていくため、目的変数を一番左に移動させると作業し易い。

データの分割

TRAIN = DATA[DATA['CAT']=='train'].drop('CAT', axis=1)
TEST = DATA[DATA['CAT']=='test'].drop('CAT', axis=1)

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(TRAIN.iloc[:,1:],TRAIN['y'], random_state=32, test_size=.25)

特徴量作成後、再度訓練用と検証用データに分割する。カテゴリ列は不要なので削除する。

精度の検証用にtrainデータを更にtrain/testに分割する。
sklearnのtrain_test_splitを利用して、X_train, X_test, y_train, y_testに分割する。

目的変数yはTRAINデータの一番左端に移動させたので、残りの特徴量は「TRAIN.iloc[:,1:]」で選択できる。

train/testの比率は「test_size」で設定でき、今回は25%をtestに利用。

optunaを使ったハイパーパラメータの調整

import optuna
from lightgbm import LGBMRegressor
#from lightgbm import LGBMClassifier 
from sklearn.metrics import mean_squared_error

def objective(trial):
    max_depth = trial.suggest_int('max_depth', 2, 32)
    n_estimators = trial.suggest_int('n_estimators', 100, 10000)
    lgb = LGBMRegressor(max_depth=max_depth
                              , n_estimators=n_estimators
                              , random_state = 1)
    lgb.fit(X_train, y_train)
    
    return mean_squared_error(y_test, lgb.predict(X_test), squared=False)

#optunaの実行
study = optuna.create_study()
study.optimize(objective, n_trials=100)
study.best_params

値を予測する場合はLGBMRegressorを、カテゴリを予測する場合はLGBMClassifierを利用する。

コンペの評価方法に応じてreturnの返り値を設定する。今回はRMSEの場合で記載。
optunaは値を最小化するように試行錯誤していくため、精度が上がるに連れて値が大きくなるようなaccuracyの場合は「1 – accuracy_score」となるよう工夫する必要がある。

from sklearn.metrics import accuracy_score

#中略
    return 1- accuracy_score(y_test, lgb.predict(X_test))

モデルの作成と予測

#optunaのハイパーパラメータを利用してモデルを作成
lgb = LGBMRegressor(max_depth=study.best_params['max_depth']
                              , n_estimators=study.best_params['n_estimators']
                              , random_state = 1)
lgb.fit(TRAIN.iloc[:,1:],TRAIN['y'])

#モデルを予測データ
pred = lgb.predict(TEST.iloc[:,1:])

#元のテストデータのデータフレームと結合させる
TEST_pred = TEST.copy()
TEST_pred['pred'] = pred

#提出用のデータ形式に変更して保存
submit = TEST_pred[['ID','pred']]
submit.to_csv('submit.csv' , header = False, index = False )

optunaで得られたmax_depthとn_estimatorsを設定して学習する

提出の際はテストデータの一部の列と予測結果を合わせて提出することが多く、一旦元のデータフレームと結合した後に必要な形式に変更して保存する。(この場合はIDと予測値のpredを選択)

ヘッダー不要、index不要の場合が多いので「header = False, index = False」を設定する

コピペ用全体コード

#ライブラリのインポート
import pandas as pd
import numpy as np
from tqdm import tqdm

##############################
#データの読み込み
##############################
TRAIN = pd.read_csv('train.csv')
TEST = pd.read_csv('test.csv')

TRAIN['CAT']='train'
TEST['CAT']='test'

DATA = pd.concat([TRAIN, TEST], axis=0)
DATA = DATA.reset_index(drop=True)
DATA = pd.concat([DATA['y'], DATA.drop('y', axis=1)], axis=1)

###############
#特徴量作成
###############

##############################
#データ分割
##############################
TRAIN = DATA[DATA['CAT']=='train'].drop('CAT', axis=1)
TEST = DATA[DATA['CAT']=='test'].drop('CAT', axis=1)

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(TRAIN.iloc[:,1:],TRAIN['y'], random_state=32, test_size=.25)

##############################
#optunaでのパラメータ調整
##############################
import optuna
from lightgbm import LGBMRegressor
#from lightgbm import LGBMClassifier 
from sklearn.metrics import mean_squared_error

def objective(trial):
    max_depth = trial.suggest_int('max_depth', 2, 32)
    n_estimators = trial.suggest_int('n_estimators', 100, 10000)
    lgb = LGBMRegressor(max_depth=max_depth
                              , n_estimators=n_estimators
                              , random_state = 1)
    lgb.fit(X_train, y_train)
    
    return mean_squared_error(y_test, lgb.predict(X_test), squared=False)

#optunaの実行
study = optuna.create_study()
study.optimize(objective, n_trials=100)
study.best_params

##############################
#モデル作成と予測
##############################
lgb = LGBMRegressor(max_depth=study.best_params['max_depth']
                              , n_estimators=study.best_params['n_estimators']
                              , random_state = 1)
lgb.fit(TRAIN.iloc[:,1:],TRAIN['y'])

#モデルを予測データ
pred = lgb.predict(TEST.iloc[:,1:])

#元のテストデータのデータフレームと結合させる
TEST_pred = TEST.copy()
TEST_pred['pred'] = pred

#提出用のデータ形式に変更して保存
submit = TEST_pred[['ID','pred']]
submit.to_csv('submit.csv' , header = False, index = False )

この記事を読んだ人がよく見ています

データ分析

機械学習を解釈する~PD(Partial Dependence)

機械学習は便利なツールである一方、結果の解釈や説明が難しいのがデメリットと一般的に言われています。そこで今回は機械学習を解釈する手法の1つであるPD(Partial Dependence)についてご紹介します。
データ分析

機械学習を解釈する~PFI(Permutation Feature Importance)

機械学習を解釈する手法の1つであるPFI(Permutation Feature Importance)についてご紹介。eli5でPFIを算出する方法やPFIの動作原理についてわかりやすく説明しています。
データ分析

pandasでのファイルの読み込み/保存

pandasでのデータ分析の際のcsvファイルの読み込/保存方法について
データ分析

PandasでNullの行を削除/抽出する

PythonのPandasでNullが含まれる行だけを抽出/削除する方法について
データ分析

行の多いCSVファイルをPythonで分割する

Pythonを使ってCSVファイルを分割する方法についてご紹介。縦に長いCSVファイルを一定の行数で分割してCSVファイルを出力することを想定。
データ分析

Pandasでgroupbyでグループごとに計算する

Pandasのgroupbyでグループごとに計算する方法をご紹介。データ分析の際によく使う関数になります。
データ分析

探索的データ分析(EDA)テンプレ

データ分析を始めるに当たってざっくりデータを理解する探索的データ分析のテンプレです
データ分析

Pandasで文字列を含む行を抽出する

Pandasにて特定の文字列を含む行を抽出する方法について
データ分析

フォルダ内のcsvをまとめる

フォルダ内の同じ形式のcsvファイルをすべて結合し1つcsvにまとめて出力する。データ分析の実務では分析対象のデータがCSVファイルで特定のフォルダ内に格納されている事が多い。手作業でEXCELファイルにまとめるには時間がかかってしまうのでPythonを使って簡単にデータを纏める方法をご紹介
データ分析

Pandasでindexを振りなおす

Pandasでindexを振りなおす方法。concateなどで複数のデータフレームを結合したり、dropduplicateなどで重複削除したあとなど、indexが重複/歯抜けになっているときなどに、新たにindexを振りなおす方法。 #元の...
タイトルとURLをコピーしました