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

64

2

章 機械学習プロジェクトのはじめから終わりまで

けを拒否することができるだろう。

2.12

 まとめ

おめでとう！

これで教師あり学習を使ったクレジットカードの不正検出システムができた！

同時に、機械学習の環境を設定し、データを取得して準備し、複数のモデルを訓練して評価し、実

際に使うモデルの選択を行い、新たに入ってくるトランザクションのためのパイプラインを設計した。

機械学習を応用したシステムを

1

つ作り上げたのだ。

以降では、ここで行ったのと同じハンズオンアプローチで、教師なし学習を用いた機械学習応用シ

ステムを構築していく。

不正のパターンは時間が経つにつれて変化するので、再訓練が必要になるだろう。また、不

正検出性能を向上させるには、勾配ブースティングと同程度の性能を持つ、まったく別の種

類の機械学習アルゴリズムを見つけて、アンサンブルを行う必要がある。

最後になったが、機械学習を実応用する際には、解釈可能性は非常に重要だ。ここで使った

クレジットカード不正データセットは、

PCA

（ある種の次元削減。「

3

章 次元削減」で詳し

く説明する）の出力なので、なぜ特定のトランザクションが他のトランザクションと比べて、

不正である確率が高いと判断されたのかを、言葉で説明することができない。より解釈可能

な結果を出すには、

PCA

を行う前のデータを使わなければならないが、このサンプルデー

タセットに関しては手に入らない。