【Dataiku】銀行の顧客ターゲティングをノーコードでやってみる(機械学習編)

2025/02/26

はじめに

 

SIGNATEの 【練習問題】銀行の顧客ターゲティング をDataikuで実施しました。

本記事では、Dataikuを用いて、ノーコードで二値分類を行う手順について解説します。

前回まで

前回は、データのインポートから、欠損値の確認、相関行列の分析、可視化を通じたデータの理解までを行いました。Dataikuを活用することで、これらの工程をノーコードで効率的に進めることができました。今回は、機械学習モデルの構築に焦点を当て、データの前処理、特徴量エンジニアリング、モデルの学習・評価を行います。

前処理

trainデータとtestデータの統合(ユニオン)

それぞれのデータを別々に前処理すると手間がかかるため、Visual Recipesの「Stack」を使用し、trainとtestを1つのデータセットに統合します。

  • trainを選択し、Visual Recipesの「Stack」をクリックします。
  • 「Inputs」にtrainとtest を選択して、「CREATE RECIPE」をクリックします。
  • 「Origin columns」タブから、設定をONに変更します。(最終的にtrainとtestに分割するため)
  • 「Output」タブから、出力される列を確認して、「RUN」をクリックして実行します。
  • 実行結果

特徴量の選択

統合したデータに対して特徴量として使用する列を選択します。

今回は、分析したid, duration, pdays, previous, job, education, marital, default, housing, loanと目的変数であるy、統合データを判別するためのoriginal_datasetを選択します。

  • train_stackedをクリックして、Visual recipesの「Prepare」をクリックします。
  • 「CREATE RECIPE」をクリックします。
  • 「ADD A NEW STEP」をクリックして、Delete/keep columns by nameを選択します。
  • 特徴量として使用する列を選択します。Column multiple：id, duration, pdays, previous, job, education, marital, default, housing, loan, y, original_dataset Keep

one-hot encoding(ダミー変数化)

pdaysを「－1」と「それ以外」に分割。previousを「0」と「それ以外」に分割。あとのカテゴリデータはohe-hot encoding(ダミー変数化)を実施。

まずは、pdaysとpreviousをone-hot encoding(ダミー変数化)します。
  • 「ADD A NEW STEP」をクリックして、Formulaを選択します。
  • 「Formula for」をpdaysに変更して、pdaysを「-1」と「それ以外」に分割する処理を記載します。その後、「APPLY」をクリックします。if(pdays >= 0, 1, 0)
  • 「Formula for」をpreviousに変更して、previousを「0」と「それ以外」に分割する処理を記載します。その後、「APPLY」をクリックします。if(previous == 0, 0, 1)
次に、カテゴリデータをone-hot encoding(ダミー変数化)します。
  • 「ADD A NEW STEP」をクリックして、Unfoldを選択します。
  • 各カテゴリデータに対して設定していきます(サンプルとして、jobを選択)Columm：job、 Prefix(empty for no prefix)：job_
  • 他の列も同様に行います。
次は、Unfoldで出力された列の欠損値を０埋めしていきます。
  • 「ADD A NEW STEP」をクリックして、Fill empty cells with fixed valueを選択します。
  • one-hot encoding(ダミー変数化)した列に対して値(0)を設定します。 
    column multiple：job_blue-collar, job_entreprenuer, job_manegement, job_job_retired, job_services, job_technician, job_admin., job_self-employed, job_housemaid, job_unemployed, job_unknown, job_student,
								 marital_married, marital_single, marital_divorced,
								 education_secondary, education_primary, education_tertiary, education_unknown,
								 default_no, default_yes,
								 housing_no, housing_yes,
								 loan_no, loan_yes								 
value to fill with：0
これで前処理は完了したので、「RUN」を押して出力します。
実行結果

trainデータとtestデータを分割

モデルを作成する前に、統合したデータをもとの２つのデータセットに分割します。

  • train_stacked_preparedをクリックして、Visual recipesの「Split」をクリックします。
  • 「Outputs」にtrain_splitとtest_splitを作成して、「CREATE RECIPE」を選択します
  • 「Splitting」タブから、「Map values of a single column」を選択
  • Split on columnsにoriginal_datasetを選択して、Valueにtrainと記述します。
  • 「Output」タブをクリックして、出力される列を確認します。問題がなければ「RUN」をクリックして実行します。
出力結果
  • train_split

  • test_split

機械学習

これから本題の機械学習のハンズオンに移っていきます。

モデルの作成

  • train_spllitをクリックして、「LAB」をクリックします。
  • Visual MLから「AutoMLPrediction」を選択します。
  • select featureから今回の目的変数であるy を選択して、AutoMLの「Quick prototypes」をクリックします。その後、「CREATE」をクリックします。

特徴量の選択

今回のモデルに使用する特徴量の選択を行います。

  • DESIGNからFEATURESタブのFeatures handlingをクリックします。
  • one-hot encoding(ダミー変数化)で生成された列とyとの相関が高かったduration、pdays、previous を選択します。(サンプルで、jobを排除します。)

アルゴリズムの設定

アルゴリズムを選択します。

今回は、デフォルトで設定されている項目をそのまま使用します。

Random Forestとは？

複数の決定木を組み合わせて予測するアルゴリズムです。

仕組み
  1. データをランダムに複数のグループに分割します。
  2. 各グループ毎に異なる決定木を作成します。
  3. すべての決定木の予測結果を集約し、最も多い結果を最終予測とする。

Logistic Regressionとは？

データを2つのクラスに分類するアルゴリズムです。

仕組み
  1. 特徴量の重みを学習し、スコアを計算します。
  2. スコアを0 ~ 1の確率に変換します。
  3. スコアが、0.5以上なら「1」それ以外なら「0」と分類します。

結果確認

    • 上記の設定が完了したら、Trainを押して学習させます。
    • スコアが良い方をクリックしてモデルを確認します。(今回は、Logistic Regressionのほうが良かったのでそちらをクリックします。)
      • Summary
      Confusion matrix

      Confusion Matrix（混同行列）とは？

      Confusion Matrixは、分類モデルの予測結果と実際の値を比較し、どれくらい正しく分類できたかを示す表です。
      Predicted（Positive） Predicted（Negative）
      Actually（Positive） True Positive (TP) False Negative (FN)
      Actually（Negative） False Positive (FP) True Negative (TN)
      各要素の意味
          • True Positive (TP)：真陽性 → 実際にPositiveであり、正しくPositiveと予測
          • False Positive (FP)：偽陽性 → 実際はNegativeなのに、誤ってPositiveと予測
          • False Negative (FN)：偽陰性 → 実際はPositiveなのに、誤ってNegativeと予測
          • True Negative (TN)：真陰性 → 実際にNegativeであり、正しくNegativeと予測
      ROC & PR curves
    • デプロイします。

予測

    • Predict y(binary)を選択して、Apply model on data to predictの「Score」をクリックします。
    • Input datasetのInput datasetにtest_splitを選択して、「CREATE PECIPE」をクリックします。
    • 「RUN」をクリックします。
出力結果

列の最後にproba_0, proba_1, predictionが確認できるかと思います。

提出

お疲れさまでした。最後のハンズオンとして、予測したデータをダウンロードして提出します。

  • test_split_scoredを選択して、「Prepare」をクリックします。
  • 「CREATE RECIPE」をクリックします。
  • ADD A NEW STEP」をクリックして、Delete/keep columns by nameを選択します。
  • 提出する際に必要な列を保持します。Column mulutiple：id, prediction
  • 「RUN」をクリックします。
    • 出力結果
  • 「Export」を選択して、csv(ヘッダなし形式)でダウンロードします。
  • SIGNATEの「投稿」をクリックして、投稿します。

評価

評価は、0.76でした。

改善案

  1. 特徴量エンジニアリングの強化
    1. 今回使用しなかったtrainデータの列を活用し、新しい特徴量を追加すること
    2. 既存の特徴量を組み合わせること
  2. アルゴリズムの多様化
    1. 他のモデル（SVM, XGBoost, LightGBM など)を試すこと
  3. データの前処理の工夫
    1. 異常値の処理やデータの正規化・標準化を行うこと
    2. 特徴量のスケールが異なる場合は、適切なスケーリング手法を適用する。

感想

Dataikuを使用すると、前処理の状況を常に可視化しながら進められるため、とても分かりやすく感じました。また、アルゴリズムの選択も直感的に行えるので、手軽に試行錯誤できる点が便利でした。今後は特徴量の工夫や別のアルゴリズムの活用にも挑戦し、さらなる精度向上を目指したいと思います。

機械学習の精度向上には、データの工夫やアルゴリズムの選択が重要ですが、Dataikuなら初心者でも直感的に試行錯誤できます。これから二値分類に挑戦する方や、より高度な分析に興味がある方は、ぜひ一緒に学んでいきましょう！

 
ShtockData

お問い合わせフォーム

お問い合わせ項目を選択してください