RでKaggleの登竜門に挑戦

Copyright © 2016, Oracle and/or its affiliates. All rights reserved. |
Oracle Cloud Developers Meetup
@東京
「R」中級編機械学習コンテスト「Kaggle」に挑戦しよう!
日本オラクル株式会社
クラウド・テクノロジー事業統括
Cloud Platform事業推進室
ソリューション・アーキテクト部
クラウドアーキテクト
小川幹雄

自己紹介
• Qiitaにオラクルクラウド機械学習手順書も上げてます!
– アカウント名「ogamiki」
• 「機械学習」を始める前に知っておくこと・検討すべきこと
– https://codezine.jp/article/detail/9331
• 「機械学習」サービスの3つの提供形態と正しい選び方
– https://codezine.jp/article/detail/9549
2

「R」初級編機械学習コンテスト「Kaggle」に挑戦しよう！
1. RStudioインストール(オプション)
2. 機械学習の手順とは？
3. Kaggleとは？
4. Rでデータをロード
5. Rでデータ整備
6. Rで機械学習を使って予測モデル作成
7. 予測結果をアップロード
8. Oracle R Enterpriseデモンストレーション

RStudioのインストールもおすすめ
• RStudioはRのIDEとしてデファクトスタンダード(無償版から有償版まである)
• https://www.rstudio.com/products/rstudio/download3/
4

RStudioのインストーラーから簡単にインストール
• インストール後に起動すれば、事前インストールしているRが対応
5

教科書に載っている機械学習手順
モデル構築
学習学習データ
新規データ予測

みなさんが直面する現実
7
モデル構築
評価
ビジュアライズ
顧客フィードバックエラー分析モデル解釈
外部データ
ラベル付け
テストデータ
適用領域
品質検証サンプル
検証データ
生データ
法務レビュー
アウトソーシング検証ガイドラインタスク定義
特徴抽出
モデル選択
能動学習

今日はこの領域を一通り行います!
8
モデル構築
検証データ
特徴抽出
モデル選択

Kaggleとは？
9

Kaggleの入門問題に挑戦！
10

Kaggle参加への流れ
1. Kaggleへのユーザー登録
2. 開催中のコンテストを閲覧・選択
3. データをダウンロード
4. 予測モデルを作成
5. テストデータに予測値を付与
6. 予測結果をアップロード
7. ランキング表示

Sign Up https://www.kaggle.com
12

Titanic: Machine Learning from Disaster(賞金なし)
13

列名列の内容補足
Survived 生存情報 0 = No, 1 = Yes
Pclass 渡航者クラス 1 = 1st, 2 = 2nd, 3 = 3rd
Name 名前
Sex 性別
Age 年齢 xx.5は推定値
SibSp 兄弟・配偶者の数
Parch 親・子供の数
Ticket チケット番号
Fare 運賃
Cabin キャビン
Embarked 乗船所 C = Cherboug,
Q = Queenstown,
S = Southampton
14
データのダウンロード

Kaggleコンテストの仕組み
15
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
元データ
分割データ1
分割データ2
アップロードデータ
6
7
8
9
10
学習データ
予測結果
6
7
8
9
10
テストデータ
Kaggle User
モデル
答え合わせ

Rでデータをロード
16

RにCSVファイルを読み込む
• 作業ディレクトリを確認し、そこにダウンロードしたcsvファイルを置く
• デフォルトで区切りはカンマとして扱う
• 学習データとテストデータの中身を見てみる
17
> getwd()
[1] "C:/Users/miogawa/Documents"
> train <- read.csv("train.csv",header = T)
> test <- read.csv("test.csv",header = T)
> summary(train)
> summary(test)

データの状態を確認
• 学習データとテストデータを結合し確認
• install.packages("dplyr")
– データフレームの操作に特化したパッケージ
• bind_rowsによって、trainとtestデータフレームを結合
18
> library(dplyr)
> full <- bind_rows(train,test)
> str(full)
> summary(full)
> summary(filter(full,Sex == "female"))
> summary(filter(full,Sex == "male"))

Rでデータ整備
19

Rで機械学習を使ってモデル作成する前に。。
• モデル作成は泥臭い！
• Data Mungingや Data Wranglingと呼ぶ作業が必要
– http://www.rstudio.com/wp-content/uploads/2015/02/data-wrangling-cheatsheet.pdf
20
行列変換
複数列に分解
要約
グルーピング
結合
列追加列抽出
行抽出

名前データからタイトルを抜き出す
• Rでは正規表現が使用できる(grep,sub,gsub,strsplit,etc…)
• gsubはパターンにマッチする値を全て置換するコマンド
• Name列からMr、Mrs、Missなどの肩書きに該当する単語を発見できる
• 肩書きデータをTitleとして新規の列として追加する
21
> library(ggplot2)
> full$Title <- gsub('(.*, )|(..*)','',full$Name)
> table(full$Sex, full$Title)
> base <- ggplot(data=full,aes(Sex,Title))
> point <- base + geom_bin2d()
> point

寄り道コマンド解説
• full$TitleはfullデータフレームのTitle列を表す
– 元々Title列はfullにないため、新規にTitle列がfullに作成される
• full$Title <- XXXによって、fullのTitle列にXXXを代入
• gsubは一括置換した結果を返すコマンド
– 似たものにsubがあるがこちらは単一置換した結果を返すコマンド
• gsub(PATTERN, REPLACEMENT, X)
– Xの中でPATTERNに当てはまるものをREPLACEMENTに置き換える
– Full$Nameの中で(.*, )または(..*)に当てはまるものを消す
• ''は空文字に置換して消している
22
> full$Title <- gsub('(.*, )|(..*)','',full$Name)

タイトルの情報をもう少し整える
• MlleとかMmeとか実は他と同じ意味のタイトルを変換
– Mlle(マドモワゼル)はフランス語でのMiss,Mme(マダム)はフランス語でのMrs
• レアなタイトルは影響度が小さくなりすぎるため一つにまとめてしまう
23
> rare_title <- c('Dona', 'Major','the Countess',
+ 'Capt','Col','Don','Lady','Sir','Jonkheer','Ms')
> full$Title[full$Title == 'Mlle'] <- 'Miss'
> full$Title[full$Title == 'Mme'] <- 'Mrs'
> full$Title[full$Title %in% rare_title] <- 'Rare'
> table(full$Sex, full$Title)

家族の人数を表す列を追加する
• SibSpは兄弟・配偶者の数でParchは親・子供の数
• 自分自身も含めてSibSpとParchに1を足したものを家族の人数とする
• 先ほどのTitleと合わせてSurvivedな人の状況を確認
24
> full$Familysize <- full$SibSp + full$Parch + 1
> base1 <- ggplot(full[1:891,],
+ aes(x = Familysize, fill = factor(Survived)))
> base1 + geom_bar(position='dodge')
+ aes(x = Title, fill = factor(Survived)))

キャビンの番号から宿泊した場所を想像する
• Cabinの値を見ると先頭の一文字がアルファベットのものが多い
• Cabinの先頭一文字を新しい変数とする
• Survivedな人の状況を確認
25
> head(full$Cabin,30)
> full$Deck<-factor(sapply(full$Cabin,
+ function(x) strsplit(x, NULL)[[1]][1]))
+ aes(x = Deck, fill = factor(Survived)))

寄り道コマンド解説
• sapplyは複数のデータに対して一括して処理を実施する
• sapply(X, FUN, ...)
– Xのデータ全てに対して定義したFUN処理を実行する
– full$Cabinに対して、strsplit(x, NULL)[[1]][1]を実行する
– function(x)は関数を作成するという宣言
• strsplit(x, split)
– splitがNULLだと一文字ずつ分割
– strsplit(x, NULL)[[1]][1]から分割した結果の一行一列目を取得
26
sapply(full$Cabin, function(x) strsplit(x, NULL)[[1]][1])

Copyright © 2016, Oracle and/or its affiliates. All rights reserved. | 27
グラフの出力結果の確認
+ aes(x = Deck, fill = factor(Survived)))
+ aes(x = Familysize, fill = factor(Survived)))
+ aes(x = Title, fill = factor(Survived)))

データのカテゴリを直す
• Pclassは1,2,3と数字で入っているが、客室のClassを表すフラグ
– １等、２等、３等で数字でもいい気もするが、客室に大きな差があった事実がある
• これまで作成した変数の中でカテゴリに該当するものを変換
28
> factor_vars <- c('PassengerId','Pclass','Sex',
+ 'Embarked','Title','Deck')
> full[factor_vars] <- lapply(full[factor_vars],
+ function(x) factor(x))

欠損値の状態を確認する
• Miceパッケージのmd.patternによって、欠損値の状態を確認
• +αでVIMパッケージを使って欠損値の状態を視覚化する
• DeckとAgeとFareに欠損値があるのがわかる(Survivedは今回の課題列)
29
> library(mice)
> md.pattern(full[,-2])
> install.packages("VIM")
> library(VIM)
> mice_plot <- aggr(full,
+ sortVars = TRUE, numbers = TRUE)

欠損値の状態を確認
30

欠損値を補完する
• Miceパッケージのmiceによって、欠損値を補完する
• 指定したすべての列の欠損値を補完するため、Survivedは除く
• 補完された値を元のデータフレームの値と置き換えて使用する
31
> imputed <- mice(full[,c("Age","Deck","Fare")])
> head(complete(imputed))
> full$Age <- complete(imputed)$Age
> full$Fare <- complete(imputed)$Fare
> full$Deck <- complete(imputed)$Deck

Rで機械学習を使って予測モデル作成
32

予測モデル構築の流れ
データの
リサンプリング
モデルの
フィッティング
テストデータに
対する予測
33
学習用データとテストデータを事前に作成しておく
> train <- full[1:891,]
> test <- full[892:1309,]

決定木
• データの特徴量から簡単なルールで分岐を作り判別や回帰モデルを作る
• ジニ係数やエントロピーに基づいて分割
34
𝑃(𝐵) 𝑃(𝐵 𝐶
)
𝐵 𝐵 𝐶
𝑃 𝐴 𝐵 𝑃 𝐴 𝐶 𝐵
𝐴 ∩ 𝐵 𝐴 𝐶 ∩ 𝐵
性別=男性
男性女性
40歳以上 40歳未満
男性
40以上
男性
40未満
性別=男性じゃない(女性)

ランダムフォレスト
• 決定木を弱学習器とするアンサンブル学習アルゴリズム
• 決定木に比べて負荷は高いが手軽に高精度
35
強学習機(弱学習機の多数決)
弱学習機(決定木)
学習データ
リサンプリングリサンプリングリサンプリング

ランダムフォレスト予測モデルを作成
• ランダムフォレストを行うためのライブラリrandomForestを活用
• install.packages("randomForest", dep=T)
• Out-Of-Bag(OOB)データによって、テストも実施済み
36
> library(randomForest)
> rf <- randomForest(factor(Survived)~Pclass+Sex+
+ Age+SibSp+Parch+Fare+Embarked+Title+
+ Familysize+Deck,data = train, importance = T)
> print(rf)
> plot(rf)
> varImpPlot(rf)

予測結果を作成する
• 予測モデルを作ったデータでないtestに対してpredict関数を実施
• PassengerIdと予測したSurvivedの値のみのデータフレームに変換
• 行番号を排除してcsvファイルに出力
37
> prediction <- predict(rf,test)
> solution <- data.frame(PassengerID =
+ test$PassengerId, Survived = prediction)
> write.csv(solution, file = ‘solution.csv’,
+ row.names = F)
> getwd()

予測結果をアップロード
38

データをダウンロードしたページから直リンクで飛べます
39

更なる高みを目指していくために！
• とりあえず人気なパッケージはインストールするのもいいかも
– Top 20 R Machine Learning and Data Science packages
• http://www.kdnuggets.com/2015/06/top-20-r-machine-learning-packages.html
40

コンペではブースティングとバギングが人気
• ブースティングならxgboostパッケージ
• https://github.com/dmlc/xgboost
• 先ほどのrandomForestは高速で動くパッケージも登場中
– ranger
• http://arxiv.org/abs/1508.04409
– Rborist
• https://github.com/suiji/Arborist
41

Rでディープラーニングもできちゃいます
• 基礎を捨てていきなりディープラーニングしたい人は
– H2O
• http://www.h2o.ai/download/h2o/r
– MXNet
• https://github.com/dmlc/mxnet/tree/master/R-package
42

Oracle R Enterpriseデモンストレーション
43

【宣伝です！】Oracle R Distribution
• https://oss.oracle.com/ORD/
• オラクルがサポートするオープンソースRのディストリビューション
• 無料でダウンロード可能
• Intel MKLを動的にロードできる機能拡張がされている
• Oracle Advanced Analytics, Oracle Linux, Oracle Big Data Applianceの
ユーザーに対してはサポートを提供
44

In-Database Analytics
Oracle R Enterprise
R> summary(EMP)
R> df <- ore.pull(EMP)
R> dbt <- ore.push((1:3),(4:6))
ore.frame, pull and push
Write R automaticity convert to SQL
PMML
Predictive Model Markup Language
DEPLOY TO 3rd PARTY
DEVELOP AND DEPLOY ANYWHERE

Spawned R Engine
Spawned R Engine
Spawned R Engine
Oracle R Enterprise アーキテクチャ
46
Database Server
R Engine
Other R packages
Oracle R Enterprise packages
R
Client
Spawned R Engine
Other R packages
Oracle R Enterprise packages
SQL
結果結果

Oracle R Enterpriseを簡単トライ
• Oracle CloudでOracle R Enterpriseをセットアップ
– http://qiita.com/ogamiki/items/71c81f70b766f7bdbd1d
• tryit
– https://cloud.oracle.com/ja_JP/tryit
• tryit進め方手順
– https://faq.oracle.co.jp/app/answers/detail/a_id/2855
47

Collect and ingest
(データを取り込む)
Enrich
(“質”を上げる)
Publish
(提供する)
ちょっと宣伝Oracle Big Data Preparation Cloud Service
データ利用者の準備作業を大幅に削減し、「質」の高いデータ分析/レポーティングに貢献
Runtime Metrics
48

RでKaggleの登竜門に挑戦

More Related Content

What's hot

Viewers also liked

Similar to RでKaggleの登竜門に挑戦

RでKaggleの登竜門に挑戦

Editor's Notes