パラメータチューニング
パラメータチューニングでは、AI分類予測で利用するパラメータの最適値を自動で探索し、その最適値を利用することで、予測精度の向上を図ることができます。
＜パラメータチューニングの方法＞
AI分類予測の「パラメータチューニング｣をクリック
「チューニング開始」をクリックすると、チューニングが実行されます。
多ラベル分類ではパラメータチューニングが正常に動作しませんのでご注意ください。チューニングに使用するデータ：精度検証用データをそのまま使用できます。
チューニング対象特徴量：対象特徴量ごとの精度・適合率・再現率・F値を計算する事で、複数パターンの精度検証を一括で実行できます。
評価値：最適パラメータの決定に利用する値を選択できます。デフォルトはF値。計算は精度・適合率・再現率・F値の全項目を実行します。
精度検証用データとは、
教師データと同様に、事前に人が目で見て正解のラベル「1」or「-1」が分かっている公報が保存されているデータです。
詳細は、こちらをご参照ください。
チューニングが完了すると、対象特徴量ごとに各値が算出されます。
「最適パラメータを反映」をクリックすると、「最適パラメータ」に表示されている対象特徴量を反映します。
また、任意のパラメータを反映するには、計算結果左側のチェックボックスにチェックを入れ、「チェックしたパラメータを反映」をクリックすれば、選択したパラメータと対象特徴量が反映されます。
（複数のチェックボックスを選択された場合は、評価値項目の高い方を優先して反映します。）
「パラメータ」を反映させてから、「予測データ」を開くと、パラメータが反映された予測結果が表示されます。
「学習パラメータチューニング」についてはサーバー負荷が高いため、実行できる回数が制限されています。
制限回数は、直近1週間で50回/アカウント です。
Related Articles
パラメータチューニング
機械学習では、ハイパーパラメータと呼ばれるチューニングしなければいけないパラメータがいくつか存在します。教師データが少ないうちは自動的にパラメータ調整を行いますが、教師データが1000件を超えると 自動でパラメータ調整は行われません。 正解ラベルがわかっている教師データの一部を教師データに追加せずに予測データに追加することにより、未知データ（教師データとして与えていないデータ）に対する精度（正解率）を検証しながらパラメータを調整することができます。 1. C コスト（誤分類許容度） ...学習パラメータチューニング結果の精度と「予測データ」の精度が一致しない
学習パラメータチューニングでは、「予測データ」を利用してハイパーパラメータをチューニングして、最適なパラメータを設定することができます。 また、「予測データ」タブでは、正解ラベルが付与されたcsvファイルをインポートすることで、画面下部にように、現在セットされている教師データによる精度/適合率/再現率/F値を確認できます。 このとき、チューニングしたパラメータを反映後、チューニング結果で表示されている精度等の数値と、予測データで表示される精度等の数値が異なるケースがあります。 ...学習パラメータチューニングの制限回数
「学習パラメータチューニング」についてはサーバー負荷が高いため、実行できる回数が制限されています。 制限回数は、直近1週間で50回/アカウント です。 ※制限回数の上限解放は対応しておりません。AI分類予測の精度を上げたい
AI分類予測の精度検証機能やパラメータチューニングを使用することで、精度向上が期待できます。 精度検証用のデータを用意できない場合には、交差検証機能をご利用ください。 交差検証（クロスバリデーション）機能では、構築済み教師データの汎用性を評価することができます。 精度検証機能の詳細は、下記のスライド資料をご参照ください。AI分類予測
概要 AI分類予測は、予めユーザーがセットした教師データに基づいて、任意の検索結果や母集合について、AIが分類を予測してくれます。例えば、任意の検索結果について、【自社事業に関連する／しない】といった分類や、SDIの新着公報について、【どの開発テーマに関連するか】等、今まで人が公報を読み込んで仕分けしていた作業を、数秒以内でAIが自動で分類し、大幅な作業効率を図ることができます。 ...