はじめに
2つ目のモデルを作成、mlflow で1つ目モデルと比較するところまでを行います。
連絡目次
1. 導入/環境設定
2. Collaborative Notebook でデータ可視化
3. Anomaly Detector をデータ探索ツールとして使ってみる
4. 1つ目のモデル構築 (データの偏り 未考慮)
5. 2つ目のモデル構築 (データの偏り 考慮) → 本稿
データセットの分割
1つ目のモデルでは学習に用いるデータセットに偏りがありました。今回はこの課題を解消できるように Train データセットをサンプリングします。
1# Train データセットをラベルごとに抽出
2dfn = train.filter(train.label == 0)
3dfy = train.filter(train.label == 1)
4
5# 要素数
6N = train.count()
7y = dfy.count()
8p = y/N
9
10# 通常取引dfの一部を抜粋、不正取引の df に union
11train_b = dfn.sample(False, p, seed = 92285).union(dfy)
12
13# データ全体の要素数、不正取引要素数、構成日比率、train データセットの件数表示
14print("Total count: %s \nFraud cases count: %s \nProportion of fraud cases: %s" % (N, y, p))
15print("Balanced training dataset count: %s" % train_b.count())Total count: 5090311
Fraud cases count: 6610
Proportion of fraud cases: 0.0012985454130405784
Balanced training dataset count: 13252
中身を見てみます。通常取引/不正取引でおおよそ半々になっていますね。
1display(train_b.groupBy("label").count())
パイプライン修正
バランスが取れたデータセットをモデル学習に利用できるので、今回の評価指標は evaluatorAUC を用います。前記事で作成したパイプラインをそのまま利用します。
1# 作成したパイプラインに修正を加えて定義
2crossval_b = CrossValidator(estimator = dt,
3 estimatorParamMaps = paramGrid,
4 evaluator = evaluatorAUC,
5 numFolds = 3)
6pipelineCV_b = Pipeline(stages=[indexer, va, crossval_b])
7
8# 新たに作成したデータセットで学習
9cvModel_b = pipelineCV_b.fit(train_b)モデルの作成と分類木の可視化
モデルを構築し、樹形図を見てみます。
1dt_model_b = pipeline.fit(train_b)
2display(dt_model_b.stages[-1])
続いて特徴量の重要度を出力します。
1ExtractFeatureImp(dt_model_b.stages[-1].featureImportances, train_pred_b, "features").head(10)
評価・メトリクスの保存
前回と同様、評価のために必要な情報を導出していきます。
精度指標
1# パイプラインの中で一番いいモデルを構築
2train_pred_b = cvModel_b.transform(train_b)
3test_pred_b = cvModel_b.transform(test)
4
5# Training データで評価指標を算出
6pr_train_b = evaluatorPR.evaluate(train_pred_b)
7auc_train_b = evaluatorAUC.evaluate(train_pred_b)
8
9# Test データで評価指標算出
10pr_test_b = evaluatorPR.evaluate(test_pred_b)
11auc_test_b = evaluatorAUC.evaluate(test_pred_b)
12
13# 評価指標の出力
14print("PR train:", pr_train_b)
15print("AUC train:", auc_train_b)
16print("PR test:", pr_test_b)
17print("AUC test:", auc_test_b)PR train: 0.99069584320536
AUC train: 0.9948781444445811
PR test: 0.09312146366332584
AUC test: 0.9929393129548542
混合行列
1# 予測結果の一時ビュー作成
2test_pred_b.createOrReplaceTempView("test_pred_b")
3
4# テスト結果の混合行列 spark df の作成
5test_pred_b_cmdf = spark.sql("select a.label, a.prediction, coalesce(b.count, 0) as count from cmt a left outer join (select label, prediction, count(1) as count from test_pred_b group by label, prediction) b on b.label = a.label and b.prediction = a.prediction order by a.label desc, a.prediction desc")
6
7# Pandas df に変換
8cm_b_pdf = test_pred_b_cmdf.toPandas()
9
10# 混合行列の配列生成
11cm_b_1d = cm_b_pdf.iloc[:, 2]
12TP, FN, FP, TN = cm_b_1d
13
14# 2次元にする
15cm_b = np.array([[TP, FN], [FP, TN]])
16
17# 混合行列描画
18plot_confusion_matrix(cm_b, "Confusion Matrix (balanced Test)")
メトリクス保存
1with mlflow.start_run(experiment_id = mlflow_experiment_id) as run:
2
3 mlflow.log_param("balanced", "yes")
4 mlflow.log_metric("AUC train", auc_train_b)
5 mlflow.log_metric("AUC test", auc_test_b)
6 mlflow.log_metric("PR train", pr_train_b)
7 mlflow.log_metric("PR test", pr_test_b)
8
9# モデルのロギング
10 mlflow.spark.log_model(dt_model_b, "model")
11
12# 混合行列もログとして残す
13 mlflow.log_artifact("confusion-matrix.png")これで一通りの処理が完了しました。
モデルの比較
前回のモデルと今回のモデルを比較していきます。
数種の評価指標であれば以下のように Notebook で出力・比較可能ですが、この方法では複数のモデルを比較しづらいです。
1print("---model #1---")
2print("PR train:", pr_train)
3print("AUC train:", auc_train)
4print("PR test:", pr_test)
5print("AUC test:", auc_test)
6
7print("---model #2---")
8print("PR train:", pr_train_b)
9print("AUC train:", auc_train_b)
10print("PR test:", pr_test_b)
11print("AUC test:", auc_test_b)—model #1—
PR train: 0.847168047612724
AUC train: 0.8648916320839469
PR test: 0.8432895226140703
AUC test: 0.8633701428270321
—model #2—
PR train: 0.99069584320536
AUC train: 0.9948781444445811
PR test: 0.09312146366332584
AUC test: 0.9929393129548542
mlflow で比較
mlflow を用いると比較が容易です。workspace > users と進み、フラスコのアイコンをクリック。
こちらの画面に遷移します。モデルを選択し、Compare をクリック。
X軸とY軸にそれぞれ PR Test と AUC Test を設定、散布図で比較します。
各モデルの ID をクリックすると、モデルそのものや、パイプラインの実行パラメータ、保存しておいた図などにアクセス可能。試行錯誤していると情報が散逸しがちなのでとても便利です。
今回のモデルは「疑わしきはすべて罰する」ようなロジックです。実際に不正検知をはじくフローに組み込むのであれば初回モデルが、当初の要件に沿うためには今回のモデルが合うかもしれません。(いずれも改良必須ですが)
まとめ
5回にわたって金融取引データを可視化、考察、モデル構築、リモデル、比較するところまでをご紹介しました。
本番環境では Azure Datafactory などのデータ関連サービス群を組み入れ、よりシンプルかつ柔軟性の高いアーキテクチャを設計すべきですが、アドホックに機械学習プロジェクトを始めたいという方は、まず Databricks を動かしながらデータ分析の流れを掴んでみてはいかがでしょうか?
__参考リンク
datarbicks Resources (公式参考記事集)
Detecting Financial Fraud at Scale with Decision Trees and MLflow on Databricks
mlflow – track machine learning training runs
Synthetic Financial Datasets For Fraud Detection