Pythonではじめる教師なし学習 ―機械学習の可能性を広げるラベルなしデータの利用

2.9

 アンサンブル

59

LightGBM

勾配ブースティング

図 2-12　LightGBM 勾配ブースティングのテストセット適合率-再現率曲線（左）とauROC曲線（右）

LightGBM

勾配ブースティングの結果は印象的だ。

90%

の適合率を維持しつつ、不正トランザクショ

ンの

80%

を捉えることに成功している（つまり不正全体の

80%

を指摘しつつ、指摘したうちのわずか

10%

しか間違わない）。

データセットに含まれている不正の事例が非常に少ないことを考慮に入れると、これは素晴らしい結

果だ。

2.9

 アンサンブル

開発した機械学習システムの中から

1

つを選ぶのではなく、モデルのアンサンブルを作って不正検出

性能を向上させることを考えてみよう

＊

1

。

一般に、同程度に強力な機械学習手法を、異なる機械学習手法ファミリーから選択して（例えばラ

ンダムフォレストとニューラルネットワークなど）、それらをアンサンブルとして組み合わせると、元の

どのモデルよりも性能が向上する可能性がある。これは、個々のモデルには利点と欠点があるからだ。

個々のモデルをアンサンブルとして組み合わせることで、各モデルが互いの欠点を互いの利点で補い

合うことになる。

しかしここで注意すべき点がある。個々のモデルが同程度に強力であれば、アンサンブルしたもの

は、元のどれよりも高い性能を示す。しかし、

1

つのモデルが他のモデルよりもはるかに優れているよ

うな場合には、アンサンブルしたモデルの性能は、一番優れているモデルと同じぐらいになる。それ以

外の劣ったモデルは、ア ...