機械学習ではよくあることですが、モデルとパラメータの選択はデータに依存し、どのモデルを選ぶかの明確なルールやフローチャートは存在しません。全てに当てはまるわけではありませんが、私のこれまでの経験に基づいたコツをお答えします。
モデルの選択
予測用のMLモデルには、大きく分けて2つのカテゴリーがあります。ここにはそれぞれの長所と短所を挙げます。
- 時系列モデル：
- 長所：
- 時系列データ専用：最小限のデータ準備で済みます（時系列データをDataikuのAutoMLに渡すだけ！）
- 通常、小規模なデータセットでより効果的です
- 短所：
- 外部特徴の扱いに限界があります（一部のモデルではまったく扱えません）
- “伝統的”なモデル：
- 長所：
- 外部特徴をより適切にサポートします：予測に役立つ追加情報、例えば天気などがある場合に有用です
- 特定のモデルは解釈可能性が高いです
- 短所：
- 高い精度を達成するためには、通常、特徴エンジニアリングが必要です（前日の値や前週の平均などのカラムを作成する）
- 通常、より多くのデータが必要です
結局のところ、これは多くの一般化です：どれを選ぶか不確かな場合、最良のアプローチは両方のオプションを試して最良のものを選ぶか、あるいは両方の組み合わせを持つことかもしれません。
パラメータの選択
細かい部分は選んだモデルとデータに依存しますが、毎回使える一つの方法は経験的なものです：さまざまなパラメータを試して、テストデータで最高の精度を出すものを選びます。Dataikuでは、異なるハイパーパラメータを試すことができ、AutoMLが自動的に最も性能の良いモデルを選択します。
樋口ルイ匠
