Kaggle Note

はじめに カテゴリ変数を勾配ブースティングに入れるとき、one-hotエンコーディングで0/1の列に展開するのが定番です。 一方でLightGB

はじめに 回帰は「1件ごとの数値」を、分類は「1件ごとのクラス」を予測します。一方で**ランキング学習（Learning to Rank）**は、「

はじめに 普通の回帰は「だいたいこのくらい」という1点を予測します。しかし実務では、「予測はこのくらいだが、上振れ・下振れはどこまであり得るか

はじめに 学習済みのモデルを新しいデータに合わせたいとき、普通は最初から学習し直します。木を一から作り直すので、それなりに時間がかかります。 L

はじめに 多くの機械学習モデルは、欠損値（NaN）が含まれていると学習前に補完（imputation）する必要があります。 一方でLightGB

はじめに 「このモデルは、なぜこの1件をこう予測したのか」を知りたくなることはよくあります。 その定番の道具がSHAP値なのですが、「SHAP＝

はじめに LightGBMはobjective="regression"のように、あらかじめ用意された目的関数（損失関数）

はじめに LightGBMにはfeature_importanceという、どの特徴量が効いているかを教えてくれる便利な機能があります。 ですがこ

はじめに 文章を「意味を表す数値のベクトル」に変換する技術を**文埋め込み（sentence embedding）**と呼びます。 今回は、その中

はじめに LightGBMには**単調性制約（monotone constraints）**という機能があります。 これは「この特徴量が増えたら、