R ユーザのための tidymodels[実践]入門〜モダンな統計・機械学習モデリングの世界

R には多くの分析手法を実行するパッケージが提供されていますが、同じ用途であってもパッケージごとに関数の記法が違ったり、データの入力形式や出力形式が違ったりするため、データの前処理やモデルの評価といった工程におけるコーディングは、意識しなければバラバラになってしまいます。また、これが原因でスムーズな分析パイプラインを作成できず、分析環境で行ったモデリングを本番システムへ移行することを考えると、その保守は困難を極めます。

これらの問題を解消するために開発され、統一的なインターフェースを提供するのが tidymodels です。データ整形における同様のコーディングの問題を解決するためのパッケージ群で知られる tidyverse のプロジェクトの 1 つとして注目を浴びています。

データ分析の工程には、データ準備、モデルの作成、モデルの評価、モデルの改善、モデルの運用といった一連の工程があります。本書ではそれぞれの工程を tidymodels パッケージ群で行う方法について解説します。tidymodels パッケージ群を利用することで、スムーズなデータ分析パイプラインを効率的に構築できるようになるでしょう。
tidymodels とは
本書の特徴
本書の構成
本書の対象読者
本書で解説しなかったこと
本書のサポートページ
ようこそ tidymodels の世界へ

第 1 章 データの準備
■1-1 データ分割とリサンプリング法
■1-2 rsample パッケージによるデータ分割のアプローチ
■1-3 無作為抽出によるデータ分割が不適切なケースへの対応
■1-4 リサンプリング法
■1-5 recipes パッケージによる前処理
■1-6 まとめと参考文献

第 2 章 回帰モデルの作成
■2-1 stats パッケージによる線形回帰モデルの作成
■2-2 parsnip パッケージによる線形回帰モデルの作成
■2-3 parsnip パッケージの便利な機能
■2-4 yardstick パッケージによるモデルの評価
■2-5 まとめと参考文献

第 3 章 分類モデルの作成
■3-1 分類モデルとは
■3-2 parsnip パッケージの predict () 関数の扱い方
■3-3 parsnip パッケージによる分類モデルの作成
■3-4 yardstick パッケージによる離散値の評価指標
■3-5 yardstick パッケージによる連続的な確率に対する評価指標
■3-6 まとめと参考文献

第 4 章 モデルの運用
■4-1 workflows パッケージによるレシピやモデル、データの変更
■4-2 workflowsets パッケージによる複数レシピ・モデルの一元管理
■4-3 まとめと参考文献

第 5 章 ハイパーパラメータチューニング
■5-1 ハイパーパラメータチューニングの流れ
■5-2 ハイパーパラメータチューニングの手法
■5-3 tune パッケージによるハイパーパラメータチューニング
■5-4 まとめと参考文献

第 6 章 自然言語処理を使った tidymodels 実践
■6-1 データと形態素解析器 MeCab の準備
■6-2 tidymodels によるモデリング
■6-3 まとめと参考文献

R で回帰や分類のモデルを作るたびに、パッケージごとに違う関数の書き方や入出力の形式に振り回されている人に向けた実践書が『R ユーザのための tidymodels[実践]入門〜モダンな統計・機械学習モデリングの世界』 (松村 優哉、瓜生 真也、吉村 広志 著、技術評論社、2023 年 1 月 6 日発売) です。版元の概要では、こうした違いが前処理やモデルの評価のコードをばらばらにし、分析環境で作ったモデルを本番システムへ移すときの保守を難しくすると指摘したうえで、統一的なインターフェースを提供する tidymodels を使って、データ準備、モデルの作成、評価、改善、運用という一連の工程を進める方法を解説すると説明されています。版元が挙げる対象は、統計 / 機械学習モデルの作成を効率化したいデータ分析者と R ユーザーです。

全 6 章の構成、データ分割からチューニングと自然言語処理まで

本編の前に、tidymodels とは何か、本書の特徴と構成、対象読者、本書で解説しなかったことなどを述べる導入部が置かれています。1 章「データの準備」は、データ分割とリサンプリング法、rsample パッケージによる分割、無作為抽出による分割が不適切なケースへの対応、recipes パッケージによる前処理を扱います。2 章「回帰モデルの作成」は stats パッケージと parsnip パッケージで線形回帰モデルを作り比べ、yardstick パッケージによる評価へ進みます。3 章「分類モデルの作成」では parsnip の predict () 関数の扱い方と、yardstick による離散値の評価指標と連続的な確率に対する評価指標を取り上げます。4 章「モデルの運用」は workflows パッケージでレシピやモデル、データを入れ替える方法と、workflowsets パッケージで複数のレシピとモデルを一元管理する方法、5 章「ハイパーパラメータチューニング」は手法の整理と tune パッケージによる実行です。6 章は形態素解析器 MeCab とデータを準備したうえで、自然言語処理を tidymodels によるモデリングに組み込む実践にあてられています。1 章から 6 章までの各章は、まとめと参考文献で締めくくられます。執筆は章ごとに分担され、著者プロフィールによれば松村氏がはじめにと 5 章、6 章、瓜生氏が 1 章と 4 章、吉村氏が 2 章と 3 章を担当しています。

統一したインターフェースが分析の誤りを減らす理由

R 言語 には同じ目的のモデルを実装したパッケージが数多くあり、それぞれ引数の名前も、説明変数の渡し方も、予測結果の返し方も異なります。手法を比べたいだけなのに、パッケージごとにデータの形を整え直すコードが増え、そのたびに前処理の手順が少しずつずれていくのは、R で分析を続けてきた人ほど覚えのある問題です。tidymodels はこの工程を役割ごとのパッケージに分け、分割は rsample、前処理は recipes、モデルの指定は parsnip、評価は yardstick、まとめて扱うのは workflows というように、同じ作法でつなげる設計をとっています。前処理をレシピとして記述しておく利点は、訓練データで求めた変換を検証用や新しいデータへそのまま当てはめられる点にあり、評価用のデータの情報が学習に紛れ込む誤りを防ぐ助けになります。リサンプリングとチューニングを同じ枠組みで回せることも、モデルの良し悪しを偶然のデータ分割に左右されずに判断するうえで効いてきます。

R の基本操作を前提にした中級への入口

対象が R ユーザーとされているとおり、R のデータフレームの扱いや、パイプでつなぐ tidyverse 流の書き方に触れたことがある人ほど読み進めやすい本です。回帰と分類、評価指標、ハイパーパラメーターといった 機械学習 の基本概念は章の中で扱われますが、統計学そのものを一から学ぶ教科書ではないため、線形回帰の考え方に不安がある場合は統計の入門書を先に通しておくと理解が早まります。逆に、Python で scikit-learn を使って分析を進めたい人には、本書の内容はそのまま移せません。分析の言語をまだ決めていない場合は、機械学習の技術書の選び方 を眺めて、Python の本と見比べてから選ぶと回り道を減らせます。

R でのモデリングを仕事や研究で日常的に行っていて、手法を変えるたびに前処理と評価のコードを書き直している人にとって、本書は分析の手順を一つの作法にそろえ直すための道案内になります。workflows と workflowsets で複数のレシピとモデルをまとめて扱えるようになれば、手法の比較とチューニングを同じ土台の上で繰り返せるようになり、分析の再現性と、本番へ移すときの見通しが大きく変わります。