機械学習には データが大事 です。
機械学習のフローの最初のステップとしてデータを用意します。
今回は、データ分析に関するプラットフォーム（サイト）として有名な Kaggle で提供されているデータセットを使用します。
使用するデータセットは タイタニック号の乗船リスト です。
このデータセットを使って、どのような属性の人が "助かるか" を予測するモデルを作ります。
Kaggle とは、データ分析に関するプラットフォームです。
いろいろなデータセットが用意され、そのデータセットを使った機械学習・深層学習のコンペが開催されることがあります。優秀なモデルの解説も掲載されています。
機械学習を「学習」する際には便利なサイトです。無償のアカウント登録をすれば、データセットや機械学習に役立つ多くの知見を得られます。
Titanic は、Kaggle の中でも有名なデータセットです。構造が簡単でサイズが小さいので、機械学習のフローを理解しやすい教材です。
"機械学習" の操作フローを理解することに集中したい場合は、Kaggle からデータセットをダウンロードする代わりに、ここ からデータセットをダウンロードすることができます。
この場合は、以下の Kaggle からデータセットをダウンロードする手順をスキップして、次のステップの データの分析 にすぐに進むことができます。
ダウンロードした ZIP ファイルには、2個の CSV が入っています。
- titanic_train.csv ・・・訓練用データセット
- titanic_test.csv ・・・評価用データセット
ただし、Kaggle はとても有用 なサイトです。
時間が許すならば、この後の手順に沿って Kaggle からデータセットをダウンロードしてください。
すでに Kaggle のアカウントを持っている場合は、この手順はスキップして、下の [データセットをダウンロード] に進んでください。
最初に Kaggle にアカウントを作ります。
- Kaggle に接続します。
- 表示されているいずれかの方法でアカウントを登録します。
今回使うデータセットを Kaggle からダウンロードします。
- Kaggle にサインインし、検索ボックスに titanic と入力して少し待つと、検索結果が表示されます。"Titanic: Machine Learning from Disaster" を選択します。
- [Data] タブをクリックします。
- "train.csv" および "test.csv" をダウンロードします。"Download All" でまとめてダウンロードするか、ファイル名の行でマウスホバーしてダウンロードします。
- "Download All" でダウンロードした場合は、ZIP ファイルを展開します。
- "train.csv" (学習するデータセット) をテキストエディターまたは Excel などで開いて、データを見てみます。
train.csv は以下の列で構成されます。
| 列名 | 定義 | 値 |
|---|---|---|
| Survival | 助かったか | 0 = 助からなかった, 1 = 助かった |
| Pclass | 客室の等級 | 1 = 一等, 2 = 二等, 3 = 三等 |
| Sex | 性別 | female, male |
| Age | 年齢 | |
| Sibsp | 乗船した兄弟・配偶者の人数 | |
| Parch | 乗船した親・子供の人数 | |
| Ticket | チケット番号 | |
| Fare | 乗船料 | |
| Cabin | 客室番号 | |
| Embarked | 乗船した港 | C = Cherbourg, Q = Queenstown, S = Southampton |
survival 以外の列の値から survival 列を予測 するのが、今回の学習の目的です。
test.csv は学習済みモデルをテストするためのデータなので、"survival" 列はありません。このコンテンツの最後のステップで、発行した学習済みモデルを利用する際のデータとして使用します。
データを用意できたので、次から Azure Machine Learning Studio での作業に進みます。
まずは Titanic のデータセットを Azure Machine Learning Studio にアップロードして、データの分析 を行います。