予測の作成

予測タイプを選択すると、ML Studioは「何を予測するか」「いつ予測するか」「何から学習するか」を定義する3つの簡単なステップへと案内します。このページではフローのステップ2、3、4を説明します。

ステップ2 - ターゲットを選ぶ

ターゲットを選ぶ画面では「mindzieは何を予測すべきか？」と尋ねられます。モデルに学習してほしい値を持つ列を選択します。

カード形式で候補のカラムが表示されているターゲット選択画面

候補の各カラムは、名前、内容のヒント、バッジが付いたカードで表示されます：

  • **分類（Classification）**の場合、バッジにはそのカラムにある異なる値の数（例：5 values）と、Home, Rehab, SNF, Home Health, Expired のような例が表示されます。
  • **二値（Binary）**の場合、正確に2つの値を持つ列のみが対象です。
  • **回帰（Regression）**の場合、バッジにはnumberと表示され、数値カラムのみが対象となります。

ここには、選んだ予測タイプに適合する列だけが表示されるので、誤って意味のない列を選ぶことはありません。ヘッダーには使用しているデータセット名と見つかった候補カラム数が示されます。

他のすべてのカラムはシグナルとなります。 ここで選ぶのはターゲットだけです。データセット内の他のすべてのカラム――生のフィールドもエンリッチメント由来のカラムも――はモデルが学習可能な候補シグナルになります。これらはステップ4で確認・調整します。

適合するカラムが見つからない場合は、別の予測タイプを試すか、事前にエンリッチメントで派生カラムをデータセットに追加してください。

ステップ3 - 予測の設定

予測の設定画面では「mindzieはいつ予測するか？」が尋ねられます。ケースは時間経過に沿った一連のステップなので、進行中のケースが予測を受け取る瞬間を選びます。ML Studioはその同じ瞬間に過去のケースから学習します。

3つの予測タイミングの選択肢が表示されている予測設定画面

予測のタイミングを1つ選びます：

選択肢 内容
各ステップの発生に合わせて継続的に (推奨) 新しいステップごとにすべての進行中ケースに新しい予測を提供し、ケースが進むに連れて予測を洗練します。
マイルストーンで ケースが選んだマイルストーンステップに達したときに一度だけ予測します。ドロップダウンからマイルストーンのステップを選択。
最初のNステップ経過後に ケースに少し履歴ができてから予測します。待つステップ数を1から50で設定します。

予測は、予測の瞬間までに分かっているすべて（これまでのステップ、ケースの経過時間、直前のステップからの経過時間、時刻、ケース属性）を使います。結果やその後の情報は使用しないため、予測の公平さが保たれます。

設定が決まったら、Continue to featuresをクリックします。

ステップ4 - 特徴量

特徴量画面では「mindzieが何から学ぶか」を示します。特徴量はモデルが考慮するシグナルです。ML Studioはデータセットを解析し、強力な特徴量セットを事前選択します。シグナルの追加や削除は可能ですが、ほとんどの場合必要ありません。

提案された特徴、既存特徴、エンジニアリング特徴グループが表示されている特徴量画面

画面上部には、選択中の特徴量数、データセットに提案された数、既存のエンリッチメント由来の数、そしてAutoMLが最終的な部分集合を自動選択することを示す要約が表示されます。

特徴量は次のようにグループ化されて、各シグナルの由来が分かりやすくなっています：

  • このデータセットに提案されたもの - ML Studioがデータに適していると判断したシグナルで、それぞれ簡単な理由が添えられています。例：
    • 各ステップの滞在時間 - 各ステップの所要時間。ほぼすべてのプロセスで最も強いシグナル。
    • リソースの引き継ぎ - ケースが手渡される頻度。頻繁な引き継ぎは悪い結果と関連することが多い。
    • 手直し＆ループ - 繰り返されたステップやループは悪い結果の前兆であることが多い。
    • 数値属性のスマートバンド化 - 生の数値を区間に分けて扱う方法。生の数値より効果的なことが多い。
  • あなたのエンリッチメント - データセットに既にあるエンリッチメント列。初期状態で含まれています。不要なものはオフに切り替え可能です。
  • プロセスからエンジニアリングされた特徴 - ML Studioがイベントログから自動生成したシグナル。アクティビティパターン、フローと手戻り、タイミング、リソース引き継ぎなどが含まれます。こちらも初期状態でオン。生のケース属性も利用可能ですが、通常エンジニアリング特徴の方が予測力が高いため初期状態でオフになっています。

特徴量の絞り込みは不要です。 助けになりそうなものはすべて追加し、あとはモデルに任せてください。トレーニング段階で各シグナルのスコア付けが行われ、本当に予測に役立つものだけが残り、削除されたシグナルやその理由も表示されます。場合によっては答えを既に示しているようなシグナルも除外されます。

Continue to trainingをクリックするとモデル検索が始まります。この内容はトレーニングと結果で説明しています。