その他¶

その他タブでは、プロジェクトの種類に応じたオプションを使用して、モデル構築のさまざまな側面を微調整できます。 プロジェクトに適用できないオプションは、グレーで表示されるか、表示されません（オプションが使用できない理由によって異なります）。

次の表では、高度なオプションで利用可能な各追加パラメーターの設定について説明します。

最適化指標の変更¶

最適化指標は、DataRobotによるモデルのスコアリング方法を定義します。 ターゲット特徴量を選択した後、モデリングタスクに基づいて最適化メトリックが選択されます。 この指標は、プロジェクトの開始ページの開始ボタンの下にレポートされます。 推奨された指標を上書きし、別の指標を使用してモデルを構築するには、最適化指標ドロップダウンを使用します。

通常、DataRobotがモデルのスコアリングのために選択する指標が、最適な指標です。 指標の変更は高度な機能なので、指標およびその背後にあるアルゴリズムが十分に理解されている場合にのみ推奨されます。

備考：

• 選択されたターゲットに2つの一意の値しかない場合、DataRobotでは分類タスクと想定され、分類の指標が推奨されます。 推奨される分類方法の例としては、LogLoss（各クラスの確率を計算する必要がある場合）、GiniやAUC（レコードをランキング順に並べる必要がある場合）などがあります。

• それ以外の場合、DataRobotでは、選択されたターゲットは連続値タスクであるとみなされます。 連続値に最もよく使用される指標は、RMSE（二乗平均平方根誤差）とMAE（平均絶対誤差）です。

• スマートダウンサンプリングを使用してデータセットを縮小している場合や、加重列をターゲットとして選択している場合には、加重指標しか使うことができません。 逆に、このいずれにも当てはまらない場合には、加重指標を選択することはできません。 加重指標はデータの歪みを考慮します。

特定の指標に最適化されたプロジェクトを選択および構築しても、DataRobotでは、各モデルで適用可能な多数の指標が計算されます。 構築が完了した後、別の指標に基づいてリーダーボードのリストを再表示できます。 モデル内の値は変更されませんが、この代替指標でのパフォーマンスに基づいて、モデルの表示順序が変更されます。

詳細については、リファレンス資料で利用可能な指標の完全なリストを参照してください。

実行時間制限の例外¶

実行時間の上限を設定すると、DataRobotはその時間制限によって、単一のモデルの実行時間を制御します。 制限時間はデフォルトで3時間です。 制限を超えたモデルは完了するまで実行を継続しますが、DataRobotは以降のサンプルサイズではモデルを構築しません。 たとえば、フルオートパイロットを実行中、あるモデルが16%のサンプルサイズで制限を超えたとします。 そのモデルは完了するまで実行を継続しますが、DataRobotは、16%のモデルがすべて完了するまで、どのモデルにおいても32%のサンプルサイズでの構築を開始しません。 実行時間が非常に長いモデルを除外することによって、オートパイロットを完了させてから、中断していたモデルを手動で実行することができます。

こうして除外されたモデルは、モデルのブラックリストで管理され、リーダーボードではアイコンで示されます。

ワーカーキューの時間ブラックリストモデルリンクを展開すると、リストの内容（つまり、以降のサンプルサイズでの構築から除外されるモデル）を確認できます。

追加の重み付けの詳細¶

ここでは、重み付けのオプションに有効な特徴量の値とプロジェクトタイプについて説明します。 ウェイト、エクスポージャー、オフセットの各パラメーターを使用して、モデリングプロセスに制約を加えることができます。 これを行うには、どの特徴量（変数）を異なる方法で処理するかを選択します。設定すると、データページには、特徴量にパラメーターが適用されていることが示されます。

次に、重み付けのオプションについて説明します。 詳細と使用条件については、以下を参照してください。

• ウェイト：違いを表す重みとして使用し、各行の相対的な有用性を示す単一の特徴量を設定します。 これは、モデルの構築やスコアリングの際に、リーダーボードで指標を計算する目的で使用されます。新しいデータで予測を行う目的では使用されません。 選択した特徴量のすべての値が0より大きい値である必要があります。DataRobotでは検定が行われ、選択した特徴量にはサポートされている値のみが含まれているかどうかが確認されます。

• エクスポージャー：連続値問題のターゲット予測において厳密な比例関係で処理される特徴量を設定し、保険料率をモデリングする際にエクスポージャーの指標を追加します。 DataRobotでは、エクスポージャーで選択された特徴量は特殊な列として扱われ、モデルの構築やスコアリングの際に元の予測に追加されます。選択した列は、予測のために後でアップロードするすべてのデータセットに存在する必要があります。

• イベント数：ゼロ以外のイベントの頻度に関する情報を追加することで、ゼロ過剰ターゲットのモデリングを改善します。 イベント数を使用するには、その数のソースとして扱う特徴量（変数）を選択します。

• オフセット：連続値問題や二値分類問題のモデリングにおいて、固定コンポーネント（一般化線形モデルや勾配ブースティングモデルでは係数1）として扱う必要がある特徴量を設定します。 オフセットは、価格制限を組み入れるため、または既存のモデルをブーストするために使用することがあります。 DataRobotでは、オフセットで選択された特徴量は特殊な列として扱われ、モデルの構築やスコアリングの際に元の予測に追加されます。選択した列は、予測のために後でアップロードするすべてのデータセットに存在する必要があります。

重み付けパラメーターを使用するには、アップロードしたデータセットでの特徴量の名前を入力します。 DataRobotは、特徴量をオフセットやエクスポージャーとしてモデリングに使用し、それらのパラメーターをサポートするモデル（ElasticNet、GBM、LightGBM、GAM、ASVM、XGBoost、頻度x強度）だけを構築します。（イベント数は頻度x強度モデルでのみ使用されます）。 構築された複数のモデルは、Average、GLM、およびENETアンサンブルを使用してアンサンブルできます。

重み付けパラメーターの要件¶

ウェイト、エクスポージャー、イベント数では、DataRobotが条件（ツールチップに記載）に合致しない特徴量をすべて除外して、選択できないようにします。 オフセットについては、複数の特徴量を選択できます。 次の表では、各パラメーターのデータセット要件について説明します。

* 選択した列は（日付や時刻などではない）「純粋」な数値である必要があります。 また、オフセット、エクスポージャー、イベント数に選択した列を他の特殊な列（ユーザーパーティションやウェイトなど）として指定することはできません。

インサイトに対する重み付けの効果¶

オフセット、エクスポージャー、イベント数の各パラメーターを使用して構築されたプロジェクトでは、それらを使用しないプロジェクトと同じDataRobotインサイトが生成されます。 ただし、オフセット列、エクスポージャー列、およびイベント数列は予測セットから除外されます。 つまり、選択した列は、係数、予測の説明、特徴量のインパクトの可視化には含まれず、プロジェクト全体を通して特殊な列として扱われます。 エクスポージャー、オフセット、イベント数の各列は、これらの可視化においては特徴量として表示されませんが、その値はトレーニングで使用されています。

エクスポージャーの設定¶

エクスポージャーパラメーターは、1つの特徴量のみ受け付けます。 2つ目の特徴量名を入力すると、前回選択した特徴量が上書きされます。 エクスポージャーを設定するには、入力ボックスに名前を入力します。 DataRobotは入力された文字列を照合し、完了すると、その入力を検証します。

モデリングでエクスポージャー値を使用できるのは、対数リンク関数（Poisson、Gamma、またはTweedie Deviance）を含む最適化指標だけです。 これらの最適化指標においては、エクスポージャーとして指定したフィールドの値がログ変換されます（ユーザーが行う必要はありません）。 それ以外の最適化指標を選択した場合、DataRobotは情報提供のメッセージを返します。 トレーニングおよび予測適用の詳細については、以下を参照してください。

イベント数の設定¶

イベント数は、ゼロ以外のイベントの頻度に関する情報を追加することで、ゼロ過剰ターゲットのモデリングを改善します。 これは、頻度x強度モデルで特殊な列として扱われます。 頻度ステージでは、この列を使用して、ゼロ以外のイベントの頻度をモデル化します。 強度ステージでは、列内のゼロ以外のイベントの強度を正規化し、その値を重みとして使用します。 これは、頻度係数と強度係数の解釈可能性を向上させるために特に必要です。 この列は、新しいデータで予測を行う目的では使用されません。

このパラメーターは、1つの特徴量のみ受け付けます。 2つ目の特徴量名を入力すると、前回選択した特徴量が上書きされます。 DataRobotは入力された文字列を照合し、完了すると、その入力を検証します。

オフセットの設定¶

オフセットパラメーターは、各サンプルでモデルの切片（線形モデル）またはマージン（ツリーベースモデル）を調整するもので、複数の特徴量を受け付けます。 DataRobotでは、どのリンク関数を使用するかを報告するメッセージが選択内容の下に表示されます。

• 連続値問題では、最適化指標がPoisson、Gamma、またはTweedie Devianceの場合、DataRobotは対数リンク関数を使用します。この場合、オフセットは事前に対数変換しておく必要があります。 それ以外の場合、DataRobotはアイデンティティリンク関数を使用し、オフセットには変換は必要ありません。

• 二値分類問題では、DataRobotはロジットリンク関数を使用します。この場合、オフセットは事前にロジット変換しておく必要があります。

トレーニングおよび予測適用の詳細については、以下を参照してください。

こうして除外されたモデルは、モデルリストで管理され、リーダーボードではアイコンで示されます。

モデリングにおけるオフセットとエクスポージャー¶

トレーニングの際、オフセットとエクスポージャーは以下のロジックでモデリングに組み込まれます。

予測を行う際には、以下のロジックが適用されます。