ベイジアン線形回帰

ベイジアン線形回帰モデルを作成します

Category: Machine Learning/初期化モデル/回帰

注意

適用対象: Machine Learning Studio (クラシック) "のみ"

類似のドラッグ アンド ドロップ モジュールは Azure Machine Learning デザイナーで使用できます。

モジュールの概要

この記事では、Azure Machine Learning Studio (クラシック) の ベイジアン線形回帰 モジュールを使用して、ベイジアン統計に基づいて回帰モデルを定義する方法について説明します。

モデルパラメーターを定義したら、タグが付けられたデータセットと モデルのトレーニング モジュールを使用して、モデルをトレーニングする必要があります。 その後、トレーニング済みのモデルは、予測に使用できます。 または、未トレーニングのモデルを クロス検証モデル に渡して、ラベル付きデータセットに対するクロス検証を行うこともできます。

ベイジアン回帰の詳細

統計学において、回帰への ベイジアン アプローチは、頻度論者 アプローチとよく比較されます。

ベイジアン アプローチでは、追加情報で補足された線形回帰を事前確率分布の形式で使用します。 パラメーターに関する事前情報と尤度関数の組み合わせから、パラメーターに対する推定が生成されます。

これに対し、最小二乗線形回帰によって表される頻度論者のアプローチでは、有意なモデルを作成するのに十分な測定値がデータに含まれていると仮定します。

このアルゴリズムの背後にある調査の詳細については、「 テクニカルノート 」セクションのリンクを参照してください。

ベイジアン回帰を構成する方法

  1. 実験に ベイジアン線形回帰 モジュールを追加します。 このモジュールは、[回帰] カテゴリの [ Machine Learning] の [初期化] で確認できます。

  2. 正則化 weight: 正則化に使用する値を入力します。 正則化を使用して、過学習を回避します。 この重みは L2 に相当します。 詳細については、「 テクニカルノート 」を参照してください。

  3. 不明なカテゴリレベルを許可 する: 不明な値のグループ化を作成するには、このオプションを選択します。 モデルは、トレーニングデータに含まれる値のみを受け入れることができます。 モデルは既知の値に対して正確ではありませんが、新しい (不明な) 値に対してより良い予測を提供します。

  4. トレーニングデータセットとトレーニングモジュールの1つを接続します。 このモデルの種類にはパラメータースイープで変更できるパラメーターがありません。そのため、 チューニングモデルのハイパーパラメーターを使用してモデルをトレーニングすることはできますが、モデルを自動的に最適化することはできません。

  5. モデル化または予測する単一の数値列を選択します。

  6. 実験を実行します。

結果

トレーニングの完了後:

  • モデルのパラメーターの概要を表示するには、 モデルのトレーニング モジュールの出力を右クリックし、[ 視覚化] を選択します。
  • 予測を作成するには、 モデルのスコア付けを行うための入力としてトレーニング済みのモデルを使用します。

使用例

回帰モデルの例については、 Azure AI Galleryを参照してください。

テクニカル ノート

モジュールのパラメーター

名前 Range Type Default 説明
重みの正則化 >=double.Epsilon Float 1.0 正則化で使用する定数を入力します。 定数は、ノイズの精度の前に重みの精度の比率を表します。
不明なカテゴリ レベルの許可 Any Boolean true True の場合、各カテゴリ列の追加のレベルを作成します。 トレーニング データセットでは使用できないテスト データセットのレベルはすべて、この追加のレベルにマップされます。

出力

名前 Type 説明
未トレーニング モデル ILearner インターフェイス 未トレーニングのベイジアン線形回帰モデル

関連項目

A-z モジュールリスト
Regression (回帰)