第6章 高度な 分類メソッド
この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている:translation-feedback@oreilly.com
第5章では、 ロジスティック回帰とk-近傍法(KNN)を用いて、分類ワークフローの中核を構築した。 これらのモデルは有用な出発点ではあるが、制約も伴う。 ロジスティック回帰は決定境界が線形であり、KNNは 特徴スペースが拡大するにつれて不安定になったり、スケーリングが困難になったりする可能性がある。
本章では、その作業のより柔軟な拡張として、 ツリーベースのモデル を紹介する。 決定木、ランダムフォレスト、および勾配ブースティングメソッドは、 サッカーデータに自然に生じる非線形関係、やり取り、 および閾値効果を表現することができる。
この柔軟性は、パフォーマンスがしばしばコンテキストの組み合わせに依存するサッカー分析において 特に有用である。距離と角度の組み合わせ、 プレッシャーと位置の組み合わせ、 ボール保持状態と試合状況の組み合わせなどである。 ツリーベースのモデルは、あらゆるやり取りを手作業で記述することなく、 こうした構造を捉えることができる。
同時に、ツリーベースのモデルは解釈との重要なつながりを 維持している。 単一のツリーはサッカー特有の規則のシーケンスとして読み取ることができ、 特徴量の重要性やSHAP分析は、より複雑なアンサンブルの説明に役立つ。
この章の終わりまでに、以下のことができるようになる:
-
サッカーデータから決定木が階層的な規則を学習する仕組みを理解する。
-
分類ツリーモデルを構築、可視化、解釈する。
-
予測精度と安定性を向上させるために、ランダムフォレストアンサンブルを構築する。
-
さまざまな分析タスクにおいて、単純な木とフォレストのどちらを使用すべきかを判断できる。
-
過学習を回避し、パフォーマンスを最適化するためにハイパーパラメータを調整する。
-
様々なサッカー予測タスク向けに、エクストリーム・グラディエント・ブースティング(XGBoost)モデルを構築し、調整する。
分類ツリー:サッカーの意思決定フローチャート
得点チャンスを逃した場面を分析するコーチになったと想像してほしい。その思考プロセスは単なる計算ではなく、一連の質問からなるフローチャートだ。シュートを打った選手はプレッシャーを受けていたか?得意な足でシュートを打ったか?角度が狭すぎたか?それぞれの答えが次の質問へとつながり、最終的に「あれはゴールになるべきだった」という結論に至る。分類木は、まさにこのプロセスを形式化したものである。
直感:サッカーの「もし~なら」規則を学習する
分類木( )は、特徴空間を長方形の領域にパーティション分割し、各領域の多数派クラスに基づいて予測を行う教師あり学習アルゴリズムだ。これは、データと「20の質問」ゲームをしているようなものだと考えてほしい。シュートをゴールかノーゴールかに分類するために、木は次のような質問をするかもしれない:
-
シュートの距離は18メートル未満か? はいなら、質問2へ進む。いいえなら、「
No Goal」と予測する。 -
シュートの角度は20度より大きいか? はいなら、質問3へ進む。いいえなら、「
No Goal」と予測する。 -
ワンタッチシュートか? はいなら「
Goal」と予測し、いいえなら「No Goal」と予測する。
このシーケンスにより、透明性が高く、人間が可読性のあるモデルが作成される。上部(ルート
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access