Lilac

データ分析コンペ用ライブラリ.

Install

pip install python-lilacでインストールする

(まだpypiに登録してないのでできない)

SetUp

1. lilac newコマンドで初期設定をする.
2. ダウンロードしたデータを1で作成したdata(またはresult/luigi)におく.

Run

• データセット用意
• experiment.jsonとconfig.yamlの編集
• 自作特徴量の作成

をした後、lilac-runコマンドで実行する.

データセット用意

feature/luigi直下にtrain.csvとtest.csvがある状態を作る必要がある。

もともとコンペのデータセットの形式が問題なければfeatures/luigi直下におけばよく、相違がある場合はそのdataにオリジナルを置いて変換するスクリプト等を自作してfeatures/luigi直下に変換したデータセットを置くようにする.

設定ファイルの編集

settings.json`の中身を編集する.

settings.jsonの各項目について簡単な説明:

• config : デフォルトパラメータ. runやstackingのparamsで上書きできる.
• run : featuresとmodelの組み合わせの配列、およびstackingの方法を指定する
• features : 特徴量の集合を登録する.
• stacking : スタッキングの設定を登録する.

自作特徴量の作成

features/generators以下にlilac.features.features_base.FeaturesBaseを継承して自作する.

自作した特徴量を使うためにfeatures/__init__.pyに登録する.

実行

lilac run キー (オプション)

キーはexperiment.jsonのrunのキーを指定する.

-tをつけるとパラメータのチューニングは行う.デフォルトでは予測モデルのハイパーパラメータのみチューニング対象にする. -fsをつけると予測モデルに加えて特徴量選択時のfeature importanceを計算するモデルのハイパーパラメータもチューニングする. -thをつけると、特徴量選択時に使用する特徴量の割合のパラメータもチューニングするようになる.(付けない場合はimportance > 0の特徴量を使用する挙動になっている.)

lilac

• ensemble : アンサンブル、スタッキング関連
• evaluators : 評価指標を計算する
• features : 特徴量生成
• managers : コマンド関連
• models : 予測モデル
• preprocessors : 特徴量生成に用いるクラス、関数など
• selectors : 特徴量選択を行う.
• tasks : luigiタスク
• trainers : モデルの学習を行う.
• tuner : ハイパーパラメータチューニング
• utils : その他
• validators : 交差検証のためのコード