XGBoostのPython連載18回分が公開

この連載は、学習者がXGBoostを単にインポートするライブラリではなく、吟味すべき手法として出会えるように構成されている。投稿者が掲げる出発点は、ライブラリをインストールしてfit()を実行してもそれだけでは何も分からないというものだ。どのデータでモデルを訓練したのか、未知のデータでも通用するのか、訓練しすぎていないのかを、なお知る必要がある。この枠組みがカリキュラムを形づくり、モデリングの各回に評価や診断を組み合わせている。

後半は理解から制御へと進む。第3部では正則化、木の本数と深さ、学習率、行と列のサンプリングを扱う。これらは基礎を押さえた後にXGBoostモデルを形づくる調整項目だ。第2部では保存と再利用、特徴量重要度、早期終了、並列計算、DockerとJupyterLabの環境を紹介し、第4部では回帰と不均衡分類に進んでから全体を通した演習を行う。

データについては、外部サービスからダウンロードせずに実行できる合成データセットから始め、データの意味が分かってきた段階で公開データへ移る計画だ。投稿者は時系列データと災害関連データを特に挙げ、検証時に未来の情報が漏れることや位置に基づく偏りに注意を促している。コードとノートブックはテスト、PNGのグラフ、実行結果、環境の詳細とともにZIPで配布し、長いソースコードはQiitaの<details>タグ内に折りたたむ予定だ。