ブーストツリーモデルとExcelへのエクスポート方法に関するアドバイスこんにちは、
仕事で使用しているモデルを開発中です。目標は、パラメータを入力するだけで最終的な水分量を予測できるようにすることです。扱うデータ量が非常に多い（約4000データポイント）ため、ブーストツリーモデルの使用を検討していました。この機能は初めて使用しましたが、自動的に200層、ツリーあたり12分割、学習率0.121と入力されました。これらのパラメータが適切かどうか、あるいはこのデータセットに特化しすぎているのではないかと不安でした。その結果、Rsquaredは0.75、RASEは0.45となり、これは私がこれまでにモデルから得た最高の値でした。
Excelへのエクスポートも試してみましたが、関数がうまく表示されませんでした。ブーストツリー関数は非常に複雑なので、うまく動作しない可能性があります。職場の全員がJMPを使用しているわけではないので、理想的にはExcelでブーストツリー関数を使えるようにしたいです。
アドバイスやご助力があれば幸いです。ありがとうございます！
予測モデリングと機械学習品質およびプロセスエンジニアリング返信： ブーストツリーモデルに関するアドバイスとExcelへのエクスポート方法ありがとうございます。私も知りたいです
決定木（パーティション）の予測式は非常にシンプルです。
しかし、リフトツリーとランダムフォレストの予測式は完全に異なり、独立した式に分解することは非常に困難です。
専門家の皆様、ありがとうございます!
Re: ブーストツリーモデルとExcelへのエクスポート方法に関するアドバイスこんにちは@andrewdy04さん、
コミュニティへようこそ！
ツリーベースのモデルは、要因のしきい値を使用する if-else ステートメントに依存するため、メカニズムが単純です。
ツリーベースのモデルをExcelで使用したい場合は、予測式をJMPに保存し、if-else JSL関数を対応するExcel関数に置き換えることができます。ただし、ブーステッドツリーとランダムフォレストでは、予測式が非常に複雑（かつ長くなる）場合があります。
モデリング戦略については、残念ながら十分な情報を提供できていません。参考になる質問をいくつかご紹介します。
- データはどのように収集されましたか？ DoEのような実験データ戦略を通してですか？それとも観測データ/生産データですか？データ量だけでは優れたモデルを構築するには不十分です。モデルに十分な変動性を確保するために、高品質の情報データを収集することに重点を置く必要があります。
- あなたの目標は何ですか？予測モデリング、説明モデリング、それともその両方？モデルの解釈可能性/説明可能性はどの程度重要ですか（予測モデルの主要な要因/推進要因を理解すること）？
- モデルの選択を導く制約や仕様はありますか？例えば、非線形性や曲率を期待しますか？実験空間全体で滑らかな予測値を求めますか？それとも「ステップベース」の予測（ツリーベースモデルによる）でも構いませんか？詳しくは、こちらの投稿をご覧ください： model-comparison-and-selection
- パフォーマンス指標と許容閾値は何ですか？モデルを評価、比較、選択する際に使用するパフォーマンス指標は何ですか？測定能力（反復性、再現性、精度など）に基づいて、モデルのパフォーマンスが「十分良好」であると評価できる各パフォーマンス指標の閾値は何ですか？
- どのような検証戦略をお持ちですか？予測モデリングを目的とされているようですが、過学習を防ぐための検証戦略として、k分割交差検証、検証列、その他どのような戦略を取られていますか？ブーステッドツリーは、他のツリーベースの手法（ブートストラップフォレストなど）よりも過学習しやすい可能性があるため、パフォーマンスの最適化（ブーステッドツリーモデルに限らず、他の手法も含む）を試みる前に、必ず検証戦略を確定しておくことをお勧めします。この点については、いくつかの投稿で議論されています。
解決済み: k-fold fit quality を使用したクロスバリデーション - JMP ユーザーコミュニティ
解決済み: Bootstrap Forest プラットフォーム > 「検証」列と「検証」部分 - JMP ユーザー コミュニティ
解決済み: Re: クロス検証 - 検証列法 - JMP ユーザーコミュニティ
- 機械学習モデルを使用する場合、ハイパーパラメータの調整についても考慮する必要があります。アルゴリズムによっては、他のアルゴリズムよりもハイパーパラメータの調整に敏感な場合があるためです。一般的に、ブートストラップ/ランダムフォレストは、ブーステッドツリーなどのブーステッドモデルよりもハイパーパラメータの調整に対する感度がはるかに低くなります。
この最初の回答がお役に立てれば幸いです。
