データセットを準備する

このステップでは、 SHAP (SHapley 加算exPlanations) ライブラリを使用して成人国勢調査データセットをノートブックインスタンスにロードし、データセットを確認して変換し、Amazon S3 にアップロードします。 SHAPは、機械学習モデルの出力を説明するゲーム理論的アプローチです。の詳細についてはSHAP、「 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。

を使用して成人国勢調査データセットをロードする SHAP

SHAP ライブラリを使用して、以下に示すように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

現在の 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が完了した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開始する場合は、Amazon SageMaker Ground Truth を使用してデータラベリング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特徴量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 Data Wrangler で ML SageMaker データを準備する」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 および validation データフレームオブジェクトを CSV ファイルに変換して、XGBoostアルゴリズムの入力ファイル形式に一致させます。

# 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 AI 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 のコンピューティング最適化 SageMakerインスタンスによってEC2トレーニングに使用されます。

次のコードは、現在の SageMaker AI セッションURIのデフォルトの S3 バケットを設定し、新しいdemo-sagemaker-xgboost-adult-income-prediction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dataサブフォルダにアップロードします。

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')

以下を実行して AWS CLI 、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。