🔄

CHAPTER 16

リサンプリング戦略 - rsample

信頼性の高いモデル評価のために。rsampleでクロスバリデーション、ブートストラップ、時系列分割など、様々なリサンプリング戦略をマスターしよう。

🎯 リサンプリングの重要性

リサンプリングは、限られたデータから信頼性の高いモデル評価を行うための統計的手法です。rsampleパッケージを使用して、様々なリサンプリング戦略を実装します。

📦 環境のセットアップ

リサンプリング環境の準備

                    # リサンプリングエコシステムの読み込み
                    library(tidyverse)
                    
                    library(rsample)
                    
                    # 機械学習パッケージ
                    library(tidymodels)
                    
                    library(yardstick)
                    
                    # サンプルデータの作成
                    set.seed(123)
                    
                    # 回帰用データセット
                    regression_data <- tibble(
                      x1 = rnorm(1000),
                      x2 = rnorm(1000),
                      y = 2 * x1 + 1.5 * x2 + rnorm(1000)
                    )
                    
                    glimpse(regression_data)
                

✂️ 基本的なデータ分割

initial_split()を使用して、データを訓練用とテスト用に分割します。これが全てのモデル評価の出発点です。

🎯 いつ・なぜ使うか？

📋 適用シチュエーション

最終的なモデル性能を公正に評価したい
新しいデータに対する予測精度を知りたい
モデルの汎化能力を測定したい
過学習（オーバーフィッティング）を検出したい

🎯 具体的な目的

Hold-out評価：未見データでの性能測定
層化分割：クラス比率や分布の保持
時系列分割：時間的順序の考慮
最終判定：プロダクション投入前の品質保証

💡 重要な注意点: テストデータは一度だけ使用し、モデル選択や調整には絶対に使わないこと！

訓練・テスト分割

                    # 基本的な分割
                    data_split <- regression_data %>%
                      initial_split(prop = 0.8)
                    
                    # 訓練データ取得
                    train_data <- training(data_split)
                    test_data <- testing(data_split)
                    
                    print(paste("訓練データ:", nrow(train_data)))
                    print(paste("テストデータ:", nrow(test_data)))
                    
                    # 層化抽出
                    stratified_split <- regression_data %>%
                      mutate(y_group = cut(y, breaks = 3)) %>%
                      initial_split(prop = 0.8, strata = y_group)
                    
                    print("層化抽出完了")
                

🔄 クロスバリデーション

クロスバリデーションにより、モデルの汎化性能を信頼性高く評価できます。k-fold、leave-one-out、Monte Carloなど様々な手法があります。

🔍 いつ・なぜ使うか？

📋 適用シチュエーション

モデル選択時の性能比較をしたい
ハイパーパラメータを調整したい
小さなデータセットを有効活用したい
統計的に安定した評価が必要

🎯 具体的な目的

K-fold CV：バランスの取れた評価
層化CV：不均衡データでの公正評価
Repeated CV：より安定した推定
Leave-one-out：極小データでの最大活用

⚡ 実用のコツ: 5-10 fold CVが一般的。計算コストと精度のバランスを考慮して選択！

k-fold クロスバリデーション

                    # 10-fold クロスバリデーション
                    cv_folds <- train_data %>%
                      vfold_cv(v = 10)
                    
                    print(cv_folds)
                    
                    # 層化CV
                    stratified_cv <- train_data %>%
                      mutate(y_group = cut(y, breaks = 3)) %>%
                      vfold_cv(v = 5, strata = y_group)
                    
                    print("層化CV作成完了")
                

👢 ブートストラップリサンプリング

ブートストラップは復元抽出によるリサンプリング手法で、信頼区間の推定や分散の評価に有用です。

🎲 いつ・なぜ使うか？

📋 適用シチュエーション

不確実性の定量化をしたい
信頼区間を推定したい
分散やバイアスを評価したい
アンサンブル学習に活用したい

🎯 具体的な目的

Bootstrap CI：予測の信頼区間算出
Out-of-bag評価：OOBエラーでの性能測定
Bagging：ランダムフォレスト等の基盤
安定性評価：モデルの頑健性チェック

🚀 パワフルな特徴: 元データの約63%を含み、37%はOut-of-bagとして独立評価に使用可能！

ブートストラップサンプル

                    # ブートストラップ作成
                    bootstrap_samples <- train_data %>%
                      bootstraps(times = 25)
                    
                    print(bootstrap_samples)
                    
                    # 一つのブートストラップサンプル確認
                    first_boot <- bootstrap_samples$splits[[1]]
                    boot_data <- analysis(first_boot)
                    
                    print(paste("ブートストラップサンプルサイズ:", nrow(boot_data)))
                

🎲 Monte Carlo クロスバリデーション

Monte Carlo CVは、ランダムな分割を繰り返す手法で、計算効率が良く大規模データセットに適しています。

🌟 いつ・なぜ使うか？

📋 適用シチュエーション

大規模データで計算効率を重視
柔軟な分割比率を設定したい
より多くの評価を効率的に実行
統計的変動を詳細に把握したい

🎯 具体的な目的

高速評価：計算時間の大幅短縮
カスタム比率：任意のtrain/test比率
並列処理：独立分割による効率化
信頼性向上：多数回評価による安定性

💪 効率性の秘密: K-fold CVと異なり重複なし分割で、大データでも高速実行可能！

Monte Carlo リサンプリング

                    # Monte Carlo CV
                    mc_cv <- train_data %>%
                      mc_cv(prop = 0.8, times = 20)
                    
                    print(mc_cv)
                    
                    # 繰り返し検証
                    repeated_cv <- train_data %>%
                      vfold_cv(v = 5, repeats = 3)
                    
                    print("繰り返しCV作成完了")
                

📊 時系列データ分割

時系列データでは、時間の順序を保持した特別な分割戦略が必要です。rolling_origin()とsliding_window()を使用します。

⏰ いつ・なぜ使うか？

📋 適用シチュエーション

時系列データの予測モデル構築
時間的依存性があるデータ分析
季節性やトレンドを考慮
未来予測の精度を正しく評価

🎯 具体的な目的

Rolling Forecast：逐次予測評価
Walk-forward：リアルタイム環境模擬
Temporal Leakage防止：未来情報の遮断
Dynamic Model：時間変化への対応

⚠️ 重要な原則: 時系列では絶対に未来のデータを過去の予測に使ってはいけない！

時系列リサンプリング

                    # 時系列データ作成
                    ts_data <- tibble(
                      date = seq(as.Date("2020-01-01"), as.Date("2023-12-31"), by = "day"),
                      value = cumsum(rnorm(1461))
                    )
                    
                    # Rolling Origin
                    rolling_splits <- ts_data %>%
                      rolling_origin(
                        initial = 365,
                        assess = 30,
                        skip = 30
                      )
                    
                    print(rolling_splits)
                

📊 リサンプリングを用いたモデル評価

作成したリサンプリングオブジェクトを使用して、実際にモデルを評価します。

CV評価の実行

                    # モデル定義
                    lm_model <- linear_reg() %>%
                      set_engine("lm")
                    
                    # レシピ定義
                    basic_recipe <- recipe(y ~ ., data = train_data)
                    
                    # ワークフロー作成
                    lm_workflow <- workflow() %>%
                      add_model(lm_model) %>%
                      add_recipe(basic_recipe)
                    
                    # CV評価
                    cv_results <- lm_workflow %>%
                      fit_resamples(cv_folds)
                    
                    print(collect_metrics(cv_results))
                

✅ バリデーションセット

3分割（train/validation/test）によるモデル開発とパラメータ調整の戦略を学びます。

バリデーション分割

                    # 3分割作成
                    val_split <- train_data %>%
                      initial_validation_split(prop = c(0.6, 0.2))
                    
                    train_set <- training(val_split)
                    validation_set <- validation(val_split)
                    test_set <- testing(val_split)
                    
                    print(paste(
                      "Train:", nrow(train_set),
                      "Validation:", nrow(validation_set),
                      "Test:", nrow(test_set)
                    ))
                

🛠️ カスタム分割戦略

特殊なデータ構造や要件に対応するための、カスタムリサンプリング戦略を作成します。

カスタム分割の実装

                    # グループ別分割
                    grouped_data <- regression_data %>%
                      mutate(group = sample(letters[1:5], n(), replace = TRUE))
                    
                    # グループCV
                    group_cv <- grouped_data %>%
                      group_vfold_cv(group)
                    
                    print(group_cv)
                    
                    # リーブワンアウト
                    small_data <- regression_data %>%
                      slice_head(n = 50)
                    
                    loo_cv <- small_data %>%
                      loo_cv()
                    
                    print("Leave-one-out CV作成完了")
                

🎯 まとめ

本章では、rsampleパッケージを使用した様々なリサンプリング戦略を学習しました。

基本的な訓練・テスト分割の実装
k-fold クロスバリデーションの活用
ブートストラップリサンプリングの理解
Monte Carlo クロスバリデーション
時系列データの特殊分割戦略
バリデーションセットの設計
カスタム分割戦略の実装

これらの技術により、信頼性の高いモデル評価と汎化性能の推定が可能になります。

📚 学習におすすめの書籍

🔥 RユーザのためのRStudio[実践]入門

tidyverseの基礎から実践まで網羅した日本語決定版。RStudioとtidyverseでデータ分析をマスター。

Amazonで詳細を見る →

🤖 Rユーザのためのtidymodels[実践]入門

tidymodelsで機械学習を実践するための日本語ガイド。モデル構築から評価まで完全網羅。

Amazonで詳細を見る →

※ 当サイトはAmazonアソシエイトプログラムに参加しています

←

前の章

第15章: 高度なデータ可視化統合

次の章

第17章: ハイパーパラメータチューニング

→