ステップ 3: データセットをダウンロード、調査、変換する

このステップでは、SHAP (SHapley Additive exPlanations) ライブラリを使用して、ノートブックインスタンスに成人国勢調査データセットを読み込み、データセットの確認、変換、Amazon S3 へのアップロードを行います。SHAP は、機械学習モデルの出力を説明するためのゲーム論的アプローチです。SHAP の詳細については、「SHAP ドキュメントへようこそ」を参照してください。

次のサンプルを実行するには、サンプルコードをノートブックインスタンスのセルに貼り付けます。

SHAP を使用して成人国勢調査データセットを読み込む

次の手順を実行し、SHAP ライブラリを使用して成人国勢調査データセットをインポートします。

import shap
X, y = shap.datasets.adult()
X_display, y_display = shap.datasets.adult(display=True)
feature_names = list(X.columns)
feature_names

注記

最新の Jupyter カーネルに SHAP ライブラリがない場合は、次の conda コマンドを実行してライブラリをインストールします。

%conda install -c conda-forge shap

を使用している場合は JupyterLab、インストールと更新の完了後にカーネルを手動で更新する必要があります。次の IPython スクリプトを実行して、カーネルをシャットダウンします (カーネルは自動的に再起動します)。

import IPython
IPython.Application.instance().kernel.do_shutdown(True)

feature_names リストオブジェクトにより、次のような機能のリストが返されます。

['Age',
 'Workclass',
 'Education-Num',
 'Marital Status',
 'Occupation',
 'Relationship',
 'Race',
 'Sex',
 'Capital Gain',
 'Capital Loss',
 'Hours per week',
 'Country']

ヒント

ラベル付けされていないデータから始める場合は、Amazon SageMaker Ground Truth を使用してデータラベル付けワークフローを数分で作成できます。詳細については、「データをラベル付けする」を参照してください。

データセットの概要

次のスクリプトを実行すると、データセットの統計概要と数値特徴のヒストグラムが表示されます。

display(X.describe())
hist = X.hist(bins=30, sharey=True, figsize=(20, 10))

ヒント

クリーンアップと変換が必要なデータセットを使用する場合は、Amazon SageMaker Data Wrangler を使用してデータの前処理と機能エンジニアリングを簡素化および合理化できます。詳細については、「Amazon データラングラーによる ML SageMaker データの準備」を参照してください。

データセットをトレーニング、検証、テストデータセットに分割する

Sklearn を使用して、データセットをトレーニングセットとテストセットに分割します。トレーニングセットはモデルのトレーニングに使用し、テストセットは最終的なトレーニング済みモデルのパフォーマンスを評価するために使用します。データセットは、固定ランダムシード (データセットの 80% がトレーニングセット、20% がテストセット) でランダムにソートされます。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
X_train_display = X_display.loc[X_train.index]

トレーニングセットを分割して、検証セットを分離します。検証セットは、トレーニング済みモデルのパフォーマンスを評価するとともに、モデルのハイパーパラメータを調整するために使用します。トレーニングセットの 75% が最終的なトレーニングセットになり、残りは検証セットになります。

X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.25, random_state=1)
X_train_display = X_display.loc[X_train.index]
X_val_display = X_display.loc[X_val.index]

pandas パッケージを使用して、数値特徴と実際のラベルを連結し、各データセットを明示的に整列させます。

import pandas as pd
train = pd.concat([pd.Series(y_train, index=X_train.index,
                             name='Income>50K', dtype=int), X_train], axis=1)
validation = pd.concat([pd.Series(y_val, index=X_val.index,
                            name='Income>50K', dtype=int), X_val], axis=1)
test = pd.concat([pd.Series(y_test, index=X_test.index,
                            name='Income>50K', dtype=int), X_test], axis=1)

データセットが以下のように期待どおりに分割され、構成されているかどうかを確認します。

train

validation

test

トレーニングデータセットと検証データセットを CSV ファイルに変換する

train と validation のデータフレームオブジェクトを CSV ファイルに変換し、XGBoost アルゴリズムの入力ファイル形式に合わせます。

# Use 'csv' format to store the data
# The first column is expected to be the output column
train.to_csv('train.csv', index=False, header=False)
validation.to_csv('validation.csv', index=False, header=False)

データセットを Amazon S3 にアップロードする

SageMaker と Boto3 を使用して、トレーニングデータセットと検証データセットをデフォルトの Amazon S3 バケットにアップロードします。S3 バケット内のデータセットは、Amazon EC2 SageMaker のコンピューティング最適化インスタンスによってトレーニングに使用されます。

次のコードは、 SageMaker 現在のセッションのデフォルトの S3 バケット URI を設定し、demo-sagemaker-xgboost-adult-income-prediction新しいフォルダを作成し、トレーニングデータセットと検証データセットをサブフォルダにアップロードします。data

import sagemaker, boto3, os
bucket = sagemaker.Session().default_bucket()
prefix = "demo-sagemaker-xgboost-adult-income-prediction"

boto3.Session().resource('s3').Bucket(bucket).Object(
    os.path.join(prefix, 'data/train.csv')).upload_file('train.csv')
boto3.Session().resource('s3').Bucket(bucket).Object(
    os.path.join(prefix, 'data/validation.csv')).upload_file('validation.csv')

AWS CLI 以下を実行して、CSV ファイルが S3 バケットに正常にアップロードされたかどうかを確認します。

! aws s3 ls {bucket}/{prefix}/data --recursive

以下のような出力が返されます。