今回は、社会復帰のために以下のサイトを参考にLightBGMで遊んでみた。
参考は、➀がボストンの住宅価格、➁がseabornのtitanic、そして➂がseaborn datasetつながりでtipsのdata取得の参考です。
なお、ボストンの住宅価格は、参考➃の事情があるので、ここではカリフォルニア住宅価格を使って予測してみました。
参考
➀Kaggler がよく使う「LightGBM」とは？【機械学習】
➁LightGBMを超わかりやすく解説(理論+実装)【機械学習入門33】
➂学習用データセット – seaborn【Python】
➃機械学習の回帰データとしては、ボストン住宅価格データではなく、カリフォルニア住宅価格データを使おう

環境

・windows11上のVscodeのJupyter notebook で、Terminal上で以下を入れればLightBGMが使えました。

pip install LightGBM

または、Jupyter notebook のコードに以下を追加して、インストールします。

！pip install LightGBM

住宅価格の予測

淡々と、参考➀のcode写経します。
まずは、利用するLibは以下のとおりです。

LightBGM_house.py

# 必要なライブラリのインストール
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import lightgbm as lgb
import time

from pandas import DataFrame
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

ボストンは参考➃のとおり、取得できません。そこで、参考➃のようにカリフォルニアの住宅価格を取得します。

.py

from sklearn.datasets import fetch_california_housing

california_housing = fetch_california_housing()
train_x = pd.DataFrame(california_housing.data, columns=california_housing.feature_names)
train_y = pd.Series(california_housing.target)

train_x.head()

	MedInc	HouseAge	AveRooms	AveBedrms	Population	AveOccup	Latitude	Longitude
0	8.3252	41.0	6.984127	1.023810	322.0	2.555556	37.88	-122.23
1	8.3014	21.0	6.238137	0.971880	2401.0	2.109842	37.86	-122.22
2	7.2574	52.0	8.288136	1.073446	496.0	2.802260	37.85	-122.24
3	5.6431	52.0	5.817352	1.073059	558.0	2.547945	37.85	-122.25
4	3.8462	52.0	6.281853	1.081081	565.0	2.181467	37.85	-122.25

.py

train_y.head()

0    4.526
1    3.585
2    3.521
3    3.413
4    3.422
dtype: float64

以下のとおり、ボストンのデータに合わせtrain_xと、プライスとしてtrain_yを代入します。

.py

df = train_x
df["Price"] = train_y
df.head()

	MedInc	HouseAge	AveRooms	AveBedrms	Population	AveOccup	Latitude	Longitude	Price
0	8.3252	41.0	6.984127	1.023810	322.0	2.555556	37.88	-122.23	4.526
1	8.3014	21.0	6.238137	0.971880	2401.0	2.109842	37.86	-122.22	3.585
2	7.2574	52.0	8.288136	1.073446	496.0	2.802260	37.85	-122.24	3.521
3	5.6431	52.0	5.817352	1.073059	558.0	2.547945	37.85	-122.25	3.413
4	3.8462	52.0	6.281853	1.081081	565.0	2.181467	37.85	-122.25	3.422

ここからは、参考➀のとおりです。

.py

# 訓練データとテストデータに分ける
train_set, test_set = train_test_split(df, test_size = 0.2, random_state = 123)
# 説明変数と目的変数に分ける
x_train = train_set.drop('Price', axis = 1)
y_train = train_set['Price']
x_test = test_set.drop('Price', axis = 1)
y_test = test_set['Price']
# LightGBM用のデータセットに入れる
lgb_train = lgb.Dataset(x_train, y_train)
lgb.test = lgb.Dataset(x_test, y_test)

.py

# 評価基準を設定する 
params = {'metric' : 'rmse'}

# 訓練データから回帰モデルを作る
gbm = lgb.train(params, lgb_train)

.py

# テストデータを用いて予測精度を確認する
test_predicted = gbm.predict(x_test)
predicted_df = pd.concat([y_test.reset_index(drop=True), pd.Series(test_predicted)], axis = 1)
predicted_df.columns = ['true', 'predicted']
predicted_df.head()

	true	predicted
0	1.516	2.218834
1	0.992	0.887906
2	1.345	1.560843
3	2.317	1.789321
4	4.629	4.411697

.py

# 予測値を図で確認する関数の定義
def Prediction_accuracy(predicted_df):
    RMSE = np.sqrt(mean_squared_error(predicted_df['true'], predicted_df['predicted']))
    plt.figure(figsize = (7,7))
    ax = plt.subplot(111)
    ax.scatter('true', 'predicted', data = predicted_df)
    ax.set_xlabel('True Price', fontsize = 20)
    ax.set_ylabel('Predicted Price', fontsize = 20)
    plt.tick_params(labelsize = 15)
    x = np.linspace(0, 10)
    y = x
    ax.plot(x, y, 'r-')
    plt.text(0.1, 0.9, 'RMSE = {}'.format(str(round(RMSE,3))),transform = ax.transAxes, fontsize = 15)

.py

# 予測値を図で確認する
Prediction_accuracy(predicted_df)

.py

# 特徴量の重要度を確認
lgb.plot_importance(gbm, height = 0.5, figsize = (8,16))

.py

# 決定木の分岐の可視化
# 最後の数字でleaf番号を指定
G =  lgb.create_tree_digraph(gbm, 1)
G

Tipsの予測

実は、住宅価格の予測とTipの予測は、ほぼ同じコードである。
異なるのは、データの読み込みのみ。
ということで、早速見ていこう。

Libは、まったく上記と同じなので、省略する。
データの読み込みは、以下のとおりシンプルだ。

その結果、下のようなものになっている。

.py

df = sns.load_dataset('tips')
df.head()

total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

この後も全く同じコードが動く。
結果は、以下の通り得られる。

	true	predicted
0	4.00	5.851008
1	3.35	3.829987
2	2.00	4.606835
3	2.00	1.987755
4	2.50	2.888355

Titanicの生死予測

読み込みは、上記と同様
ここでは、生死を判定するので、生死が判明しているDataを読み込み、生存の有無をyとして代入する。

.py

df = sns.load_dataset('titanic')

X = df.loc[:, (df.columns!='survived') & (df.columns!='alive')]
X = pd.get_dummies(X, drop_first=True)
y = df['survived']

.py

pd.set_option('display.max_columns', 100)
df.head()

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

.py

X.head()

	pclass	age	sibsp	parch	fare	adult_male	alone	sex_male	embarked_Q	embarked_S	class_Second	class_Third	who_man	who_woman	deck_B	deck_C	deck_D	deck_E	deck_F	deck_G	embark_town_Queenstown	embark_town_Southampton
0	3	22.0	1	0	7.2500	True	False	1	0	1	0	1	1	0	0	0	0	0	0	0	0	1
1	1	38.0	1	0	71.2833	False	False	0	0	0	0	0	0	1	0	1	0	0	0	0	0	0
2	3	26.0	0	0	7.9250	False	True	0	0	1	0	1	0	1	0	0	0	0	0	0	0	1
3	1	35.0	1	0	53.1000	False	False	0	0	1	0	0	0	1	0	1	0	0	0	0	0	1
4	3	35.0	0	0	8.0500	True	True	1	0	1	0	1	1	0	0	0	0	0	0	0	0	1

.py

y.head()

0    0
1    1
2    1
3    1
4    0
Name: survived, dtype: int64

.py

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

import lightgbm as lgb
model = lgb.LGBMClassifier(boosting_type='goss', max_depth=5, random_state=0)

eval_set = [(X_test, y_test)]
callbacks = []
callbacks.append(lgb.early_stopping(stopping_rounds=10))
callbacks.append(lgb.log_evaluation())
model.fit(X_train, y_train, eval_set=eval_set, callbacks=callbacks)

from sklearn import metrics
y_pred = model.predict_proba(X_test)
metrics.log_loss(y_test, y_pred)

.py

lgb.plot_metric(model)

.py

lgb.plot_importance(model)

.py

# 決定木の分岐の可視化
# 最後の数字でleaf番号を指定
G =  lgb.create_tree_digraph(model,1)
G

最後に精度を求めてみる。

.py

import numpy as np
from sklearn.metrics import accuracy_score, recall_score, precision_score, f1_score
# Accuracy score: 正解率。1のものは1として分類(予測)し、0のものは0として分類した割合
# Precision score: 精度。1に分類したものが実際に1だった割合
# Recall score: 検出率。1のものを1として分類(予測)した割合
# F1 score: PrecisionとRecallとの調和平均であり、0~1のスコア。数字が大きいほど良い評価。

preds = np.round(model.predict(X_test))
print('Accuracy score = \t {}'.format(accuracy_score(y_test, preds)))
print('Precision score = \t {}'.format(precision_score(y_test, preds)))
print('Recall score =   \t {}'.format(recall_score(y_test, preds)))
print('F1 score =      \t {}'.format(f1_score(y_test, preds)))

Accuracy score = 	 0.8134328358208955
Precision score = 	 0.7549019607843137
Recall score =   	 0.7549019607843137
F1 score =      	 0.7549019607843137

参考
➄LightGBMを試す
➅F値 (評価指標)
➆Classification metrics

まとめ

今回は、以下のように回帰と分類をやってみたが、まだまだ遊び足りていないと感じている。

➀連続値の予測すなわち

.py

#　訓練データから回帰モデルを作る
gbm = lgb.train(params, lgb_train)

を利用して、住宅価格とTipを予測した。
この方式だと、因果関係がある量の予測には、いろいろ使えそうである。
参考
lightgbm.train

➁もう一つは、Titanicの生死予測を以下の分類モデルで実施した。

.py

model = lgb.LGBMClassifier(boosting_type='goss', max_depth=5, random_state=0)

こちらも、二値予測にはこのままで利用可能であろう。
参考
lightgbm.LGBMClassifier

実は、LightBGMは、以下の参考を見ると、分類、回帰に留まらず、LightGBM ranker.というのもできるようであり、何よりパラメタを見るともっと奥が深そうである。
そして、原理を読むと高速で有用なようなので、さらにいろいろ試してみようと思う。

参考
Python API