機械学習の勉強（Kaggle）#１
いろいろと調べたことや気になったことを残していきます。
今回は機械学習を身につけていこう、です。今回はKaggleで調べたことをメモして行きます。Kaggleとは、投稿されたデータの最適モデルを競いあう分析手法関連のプラットフォーム及びその運営会社（from Wikipedia)です。最近Googleに買収されたことでも有名になりました。
はじめに次のnotebookを参考にしました。このnotebookでは、これらデータを見ようとした時に、そもそもどんなデータなのかを調べる流れと手順がまとめてあります。Pythonを使って理解する流れを、手順な具体的で、コマンドベースで説明してくれていて大変わかりやすいです。
Comprehensive data exploration with Python | Kaggle
どんなデータなのかを調べる流れは以下の通りです。
- 問題を理解する
- 単変量解析（univariable）データを理解する（この項目は何か）
- 多変量解析（multivariable）各変数は依存しているか独立しているか相関を把握
- 基本的なクリーニング
- テスト
具体的な手順を次に説明する。コマンドはリンク先を参照してほしい。
１、変数を把握する前に次のような列を持つ表を用意しておく（Excelとかで）
- 変数名
- 数字は数値かカテゴリ値か
- 各項目のセグメント
- 高・中・低のカテゴリを出すなど期待する出力
- コメント
２、目的変数を把握する。
- 平均（mean）
- 標準偏差（std）
- Skewness(歪度）
- Kurtosis（尖度）、通常は３の値をとる。
私は、歪度、尖度はよくわからなかったので以下HatenaBlogを見て把握しました。
目的変数が数値データとの相関があるのかを確認。
x軸、y軸のプロットで確認する。
目的変数がカテゴリカルデータと相関があるかを確認する。
箱ひげ図で確認する。
３、分析
超外観を把握する。
線形関係なのか？強い線形関係なのか？
- 相関図（heatmapで全部？）
- 目的変数に特化した相関図
- シュガー？からの移動が心配
４、欠損値のあつかいを考える
説明変数間の相関を確認する。
- ヒートマップ（heatmap）
- 箱ひげ図（boxplot）
外れ値を確認
- Unvariate（単変量）で分析して外れ値を除外する。
- Bivariate（二変量相関）で分析して外れ値を除外する。
５、さらにモデル
想定される分布
- Normality（正規性）
- Homoscedasticity（等分散性）
- Linearity（線形性）
- Absence of correlated errors
正規性なのかを確認、等分散性なのかの確認
最悪はダミー値にする
A study on Regression applied to the Ames dataset | Kaggle
- 線形回帰
- 目的変数と説明変数のグラフにして外れ値を確認
- NAをダミー値で埋める
- 数値からカテゴリ値に変換
- corr（相関係数）で寄与度を確認
- 数値の特徴量の個数、カテゴリの特徴量の個数を確認
- 数値の特徴量に含まれるNAの個数を確認
- skewedな数値の特徴量はlogを取る
- カテゴリ値の特徴量に含まれるNAの個数を確認
２、モデリング
- 正規化無しの線形回帰
- Ridge回帰付きの線形回帰
- Lasso回帰付きの線形回帰
- ElasticNet回帰付きの線形回帰
Stacked Regressions : Top 4% on LeaderBoard | Kaggle
- xgboost
- Box Cox Transformation of (highly) skewed features
- Stacking models
- Ensembling
