質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.34%

  • Python

    9136questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    759questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

ランダムフォレストにおける過学習の解消

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 561

nouken

score 24

RandomForestClassifier(n_estimators= 1000)による二値分類に取り組んでいます。
特徴量は250程度です。

max_depth=Noneで行ったところ、トレーニングでの正解率が1.0、テストが0.65ほどになりました。

過学習と判断し、max=depthを下げていきましたが、max_depth=5でもトレーニング正解率が0.8ほどに下がり、テスト正解率も上がるどころか、0.62に下がっていしまいした。

どのような原因が可能性として考えられるのでしょうか?

ランダムフォレストはかなり過学習しにくいということなのですが。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • nouken

    2018/06/28 16:21

    特徴量については一部を除いてスパースです。

    キャンセル

  • hayataka2049

    2018/06/28 16:49 編集

    真っ先に思いつくのは、前処理でPCAかけるPipeline組んで、不均衡データ対策した上で6000件を入れて評価指標はF1値、というのですが、それでもどうだろうというくらいの厳しいデータな気がします

    キャンセル

  • nouken

    2018/06/28 18:00

    なるほど。まあ厳しいというのはある程度わかってはいたのですが、とりあえずもう少し粘ってみようかなと思います。ご丁寧にありがとうございました。

    キャンセル

回答 1

checkベストアンサー

+3

ランダムフォレストなら、訓練データに対してほぼ100%の正解率が得られるのは正常です。
決定木の過学習を、データのブートストラップサンプリングと説明変数のランダムサンプリング、木の本数で薄めているのがランダムフォレストの本質と言えます。
二次元平面上のデータを入れて学習させ、グリッド状のデータで確率を予測してプロットするとよくわかりますが(こういうの)、外れデータのごく近くだけは外れデータのラベルに分類し、その外側の領域は正しく分類できるような決定境界が描かれます。
正しく分類される空間の領域の方が圧倒的に大きくなるのを指して「過学習しづらい」と言っているだけです。


木の複雑さを減らす方向にチューニングしていっても、性能が悪くなるだけで汎化性能はあまり稼げない気がします。
木の本数をがばっと増やし、max_featuresをいじると多少よくあることはあります。デフォルトはsqrt(n)ですが、これから減らしたり増やしたりしてみましょう。


あるいは、単にデータの問題なのかもしれません。
たとえばナイーブベイズに入れて0.6くらいの評価指標になるデータを0.8とか0.9で分類するのは至難の業です。原理的に分離超平面がうまく引けないようなデータだと、0.65でもけっこう頑張ってる、みたいな可能性もあります。
また、分類器との相性もあります。PCAかけてSVMに入れた方が有利とかは普通にあると思うので、色々試してみるしかありません。

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.34%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

同じタグがついた質問を見る

  • Python

    9136questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    759questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。