SPSS Modelerの拡張ノードでモデル作成する際の注意点

拡張モデルノードで作成したモデルの予測結果がおかしい

みなさんこんにちは。今回は拡張モデルノードでモデル作成後に予測結果をスコアリングノードで出力させたときに、結果が予想と異なり、かなりはまった事例を紹介します。

1. PLSモデルの予測結果がおかしい。。

上記の記事からの続きでモデルを実装していたのですが、なぜか予測結果がおかしくなる事象が発生しました。

①. 拡張ノードでPLSモデルを作成して結果を確認

拡張モデルノードでモデルを作成して、同じ学習データをそのまま生成されたスコアリングノードに投入して結果を精度分析ノードで確認した結果が下記画像です。$PLS-octaneが予測値です。
※.octane値を各スペクトルフィールドの値で予測するPLS回帰モデルです。

線形相関が下がっていることに？と思ったのですが、何より誤差がひどい。
テーブルノードで予測値を確認したのが、次の画像です。

なんで？？予測値が12??。実測値は85等なので。おかしい。。

2. 原因調査を実施

①. 学習時とスコアリング時のモデルを比較

さて、これはおかしいと思いモデルの内容を確認しました。
考えられることとしては、

1. そもそも作成したモデルの精度が低い

2. 学習モデルとスコアリング用モデルの整合性がとれていない？
   ①. 学習モデルとスコアリング用モデルは同一のものか？
   ②. 学習モデルとスコアリング用モデルの回帰係数は同じか？
   ③. 学習モデルとスコアリング用モデルの予測値は同じか？
   ④. 入力データは正しいか？

上記の内容を確認しました。

i.学習モデルの精度確認

使っていたストリームの全体は以下の通りです。これは、前回の記事で作成したストリームとほぼ同じです。
モデル作成用の部分が追加されただけです。

まずは、前回と同様に拡張の出力ノードでモデルの確認

n_components = 6 で作成すると以下の通りの精度です。これは、同じですね。

続いて拡張モデルノードでの精度を確認

ん？精度が違いいますね。
ただ、スコアリング時のような相関係数や誤差ほどではないので、この時点では気にしていませんでした。
※.ここがまずかったです。

ii.学習モデルとスコアリング用モデルの整合性確認

もしかすると、学習モデルは大丈夫だけど、スコアリング用モデルとしてロードした際に、
何か不具合でうまくロードできていないのでは？と考え回帰係数や、モデル詳細を確認しました。

モデル作成時の詳細は以下の通り
モデルのタイプ、n_components、回帰係数になります。

つづいてスコアリング用にロードしたモデルの詳細

まったく一緒です。保存したモデルを正常にロードできています。

iii.学習モデルとスコアリング用モデルの予測値の確認

ストリームを見てもらえばわかる通り、まったく同じデータを投入しています。
なので、予測値が異なることはないと思います。が

まずは、モデル作成時の"octane"の予測値
88や85など、12などの数値は見当たりません。

つづいて、スコアリング時の予測値
あーーー。やっぱり12とかになっていますね。これはおかしい。
モデルは一緒で、データも一緒のはず？なのに予測値が違う。

iv.　学習時とスコアリング時の入力データの確認

なんで？

さて、こうなるとモデルに投入したデータが異なることが一番考えられます。
そこで、確認してみました。

まず、データ投入前にテーブルノードで確認
下記画像のように、予想通りの入力データです。

目的変数の "octane" が一番最初にあり、そこから61個の説明変数であるスペクトルフィールドがあります。

このデータを入力データとしています。
さて、PLSモデルを作成するときに、拡張ノードのPythonでは以下の処理をしています。

データ加工

#-------------------------------------------------------
# データ入力
#-------------------------------------------------------
# 事前にデータ区分で学習・テストデータは分けているのでそのまま入力
# Pandasで入力
modelerData = modelerpy.readPandasDataframe()

# 説明変数 - NIR.900 rm以降の列を全て
xdata = modelerData.iloc[:, 1:]  # 2列目（index=1）以降を選択

# 目的変数 - octane
ydata = modelerData['octane']

目的変数は、ydata = modelerData['octane']　と、そのまま "octane"フィールドを指定しています。

が

説明変数は、フィールド名指定ではなく、xdata = modelerData.iloc[:, 1:] と、
2列目（index=1）以降を全てを選択するように記述しています。

さて、拡張モデルノードで入力変数である、xdata の中身を出力してみます。

つづいて、スコアリングナゲットでの xdata の中身です。

ここで、やっと気づきました。
フィールドがずれている。
"octane"フィールドが一番最後に移動したため、"NIR 1126 nm"が除外され(1列目になってしまったため)、それ以外(octaneも含め)が説明変数となってしまいました。

ええー？？
スコアリング時は、予想通りの説明変数のフィールドになっています。こちらは問題なし。
問題は、モデル作成時です。なぜか、"octane" が一番最後にいますね。そして、フィールドの"NIR 1126 nm"がなく、"NIR 1128 nm"からになっています。

モデル作成時の説明変数が違うので、精度も違えば、予測値も違うはずですよ。
でもなぜ？

v.　学習時とスコアリング時の入力データの差異の原因（あくまで個人の見解です。）

目的変数の"octane"が一番最後に移動していることで、ピンときました。
ここの、特徴量選択ノードのところで、フィールドのロールを設定していました。
"octane"は "対象"（目的変数） にロールを設定しています。

検証のために、"NIR 1128 nm" を"対象"にして、拡張モデルノードに投入し入力データ全てを確認すると

下記画像の通りに、"octane"の位置はそのままで、"NIR 1128 nm"は一番最後に移動しています。

スコアリング時は位置は変化なく正常に入力されていますね。

もう、これが原因でしょう！
フィールドが勝手に違う順番になってしまったため、モデル作成時の説明変数が変わってしまったためです。

このフィールド順が変わってしまうことですが、仕様なのか？は分かりません。とほほ。

気を取り直して、最後に修正して確認すると、精度・予測値ともに想定通りの結果となりました。
"octane"が一番最後の列なので、それを除外したものを説明変数としました。

説明変数設定

# 説明変数 - 一番最後のoctaneを除いた全て
xdata = modelerData.iloc[:, :-1]  # 最後の列を除外

3. 原因についてまとめ

原因については、検証した範囲でまとめると、

1. 環境
   ①. SPSS Modeler v18.5 / v18.6 (ともにWindows版)で発生を確認しました。

2. 発生する問題
   ①. 入力フィールドのロール設定が "対象" の場合、拡張モデルノードで
   modelerData = modelerpy.readPandasDataframe()
   というように、データ入力した場合、ロールが"対象"のフィールドが 一番最後へ移動 する。

3. 発生するノード
   ①.問題の発生するのは、拡張モデルノード の モデル作成のシンタックスです。
   ※.スコアリングシンタックスでは発生しないようです。
   ②.言語は、Python です。（R, Python for Sparkでは確認しておりません。)

みなさん、気をつけましょう。

4. 最後に

次回は、その２ モデルを実装編を記載する予定です。
あと、SPSS Statisticsと連携することで、拡張ノードでなくてもPLSを実装できます。そちらも紹介する予定です。

参考

SPSS Modeler ノードリファレンス目次

SPSS Modeler 逆引きストリーム集

SPSS funさん記事集

SPSS連載ブログバックナンバー

SPSSヒモトクブログ

今後は、ヒモトクブログなどは以下のTechXchangeのコミュニティに統合される予定です。
ご興味がある方は、ぜひiBM IDを登録して参加してみてください！！！お待ちしています。

IBM TechXchange Data Science Japan