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、「ドキュメント へようこそSHAP」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、次の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

%conda install -c conda-forge shap

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']

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))

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

XGBoost アルゴリズムの入力CSVファイル形式と一致するように、 trainおよび validation データフレームオブジェクトをファイルに変換します。

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

次のコードは、現在の SageMaker 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。