決定木のハイパーパラメータをOptunaで最適化する

機械学習をする際に自身で決めなければならないパラメータを、ハイパーパラメータと言います。

Optunaは機械学習のために設計されたハイパーパラメータ最適化フレームワークです。

今回はsickit-learnのDecisionTreeClassifierのハイパーパラメータチューニングを試みます。

以下の公式ドキュメントに各ハイパーパラメータの詳細があります。

irisデータセットでrandome_state以外何も指定せずに実行してみます。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier(random_state=0)
iris = load_iris()
X = iris.data
y = iris.target
(X_train, X_test,
 y_train, y_test) = train_test_split(
    X, y, test_size=0.3, random_state=0,
)
clf.fit(X_train, y_train)

DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
                       max_features=None, max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, presort=False,
                       random_state=0, splitter='best')

print(clf.score(X_train, y_train))
print(clf.score(X_test, y_test))

1.0
0.9777777777777777

ここからがOptunaを用いたハイパーパラメータ最適化の部分です。

from sklearn.metrics import accuracy_score
def objective(trial):
    max_depth = trial.suggest_int("max_depth", 2, 612)
    min_samples_split = trial.suggest_int("min_samples_split", 2, 612)
    max_leaf_nodes = int(trial.suggest_int("max_leaf_nodes", 2, 612))
    criterion = trial.suggest_categorical("criterion", ["gini", "entropy"])

    DTC = DecisionTreeClassifier(min_samples_split = min_samples_split, 
                                max_leaf_nodes = max_leaf_nodes,
                                criterion = criterion)
    DTC.fit(iris.data, iris.target)
    return 1.0 - accuracy_score(y_test, DTC.predict(X_test))

!pip install optuna

import optuna
study = optuna.create_study()
study.optimize(objective, n_trials = 500)

print(study.best_params)
print(1.0 - study.best_value)

{'max_depth': 78, 'min_samples_split': 2, 'max_leaf_nodes': 539, 'criterion': 'gini'}
1.0

最適なパラメータは
{'max_depth': 78, 'min_samples_split': 2, 'max_leaf_nodes': 539, 'criterion': 'gini'}
であることがわかりました。

ソースコードはgithubでも公開しております。