新着記事一覧

面接

キャリア形成・転職 仕事・キャリア

2026/11/1

【40代の転職】転職面接で実際に聞かれた質問

40代で転職活動をすると、「面接では何を聞かれるんだろう?」と気になりますよね。 私の場合は、国内・海外営業を約14年、その後デジタルマーケティングを約2年経験してからの転職。 デジタルマーケティングの経験は浅く、マネージャー経験なし、時短勤務という状況でした。 実際の面接では、基本的な質問に加えて、40代ならではと感じる質問もありました。 今回は、私が実際に聞かれた質問を紹介します。 40代の転職面接で聞かれた基本的な質問 まず聞かれたのは、転職面接では定番の質問です。 これらは事前に回答を準備しておき ...

続きを読む

キャリア形成・転職 仕事・キャリア

2026/10/24

【40代の転職】40代の転職で書類選考は何社通った?

「40代で転職活動を始めたら、書類選考ってどのくらい通るんだろう?」 40代で転職を考えている人なら、気になるところではないでしょうか。 特に私の場合は、デジタルマーケティングの実務経験が約2年。それまでの約14年は国内営業・海外営業で、デジタルマーケティング一筋のキャリアではありませんでした。 しかも、マネージャー経験はなく、時短勤務を希望。 正直、転職活動を始める前から「40代でこの経歴だと、かなり厳しいかもしれない」と思っていました。 実際に12社に応募して、書類選考を通過したのは2社。ただ、その2 ...

続きを読む

転職エージェント

キャリア形成・転職 仕事・キャリア

2026/10/23

【40代の転職】転職エージェントの選び方

転職活動を始めるとき、利用する人も多い「転職サイト」。 転職サイトに登録していると、様々な転職エージェントからスカウトや連絡があります。 私も今回の転職活動では、複数の転職サイトに登録し、その中でスカウトを送ってくれたいくつかの転職エージェントの担当者と実際に話をしました。 そこで感じたのが、「転職エージェントなら、どこでも同じというわけではない」ということです。 求人の紹介方法も違えば、書類添削や面接対策などのサポート内容も違います。 そして何より、担当者によって熱量や相性がかなり違うと感じました。 今 ...

続きを読む

ポケモン

2026/10/23

【ポケモン】40代母親がポケモンGoにはまった理由

「ポケモンGOって、まだやってるの?」そう思う人もいるかもしれません。 実は私も、一度はポケモンGOをやめています。でも今では……かなりハマっています。しかも、40代の母親です(笑)。 今回は、そんな私がなぜ今さらポケモンGOにハマっているのか、その理由を書いてみたいと思います。 リリース当初からプレイ ポケモンGOがリリースされたのは2016年。私もリリース当初からプレイしていました。 「ポケモンが現実の世界に出てくる!」 というだけで当時はとても新鮮で、歩きながらポケモンを探したり、ポケストップを回し ...

続きを読む

キャリア形成・転職 仕事・キャリア

2026/10/23

【40代の転職】転職するか迷ったとき、私が比較したこと

40歳で転職活動を始めました。ただ、私の場合「会社が嫌だから辞める」という転職ではありませんでした。 16年間働いてきた会社には、良いところがたくさんありました。だからこそ、転職を決めるまでにはかなり悩みました。 「今の会社に残ったほうがいいのでは?」 「それでも、これからのキャリアを考えたら転職したほうがいいのでは?」 何度も行ったり来たりしながら、いろいろな条件を比較しました。 この記事では、40代で転職を考えているけれど、今の会社にも不満がなく、転職するべきか迷っている方に向けて、私が実際に比較した ...

続きを読む

ポケモン

2026/10/20

【ポケモン】ポケモンGo リアルイベントの醍醐味

ポケモンGOのリアルイベントに参加してみて、改めて感じたことがあります。 それは、「ポケモンGOって、こんなに人とつながれるゲームだったんだ!」ということ。 普段もポケモンGOをプレイしていますが、家の近所や通勤途中で遊んでいるときは、一人(もしくは子供と)で黙々とポケモンを捕まえています。 知らない人に話しかけることも、ほとんどありません。 ところが、リアルイベントになると、それがちょっと変わります。 そこには、同じようにポケモンが好きな人が全国、そして世界中から集まっている。 「ポケモンが好き」という ...

続きを読む

キャリア形成・転職 仕事・キャリア

2026/10/20

【40代の転職】転職活動のスケジュールと進め方

海外営業からデジタルマーケティングへキャリアチェンジし、やりたい仕事に手応えを感じていたものの、組織変更によってデジタルマーケティングの仕事そのものがなくなってしまったことが、転職を考える大きなきっかけでした。 今回は、その後の転職活動のスケジュールと、実際にどのように転職活動を進めたのかを書いてみたいと思います。 結果的には、3月に本格的に転職活動を始め、4月に転職先を決定、4月22日を最終出社日として、5月は少しゆっくり過ごし、6月から新しい会社で働き始めました。 これから転職を考えている方の参考にな ...

続きを読む

Python 仕事・キャリア

【Python】Optunaでハイパーパラメータを調整してみた

ハイパーパラメータを調整してくれるOptunaというライブラリを使ってみました。こちらのサイトを元に、備忘録としてコードの説明をつけました。(大いに参考にさせて頂きました。ありがとうございます!)

※学習初学者の勉強のアウトプットですので、もしコードや解釈に間違い等あればご指摘頂けますと幸いです。
メモも兼ねて、各コードなるべく詳しく説明をつけるようにしています。

Optunaとは?

そもそもハイパーパラメータとは、機械学習アルゴリズムの挙動を制限するパラメータのことですが、ハイパーパラメータの数はとても多く、マニュアルで調整を行うとかなりの時間を要します。
そこで使用するのがOptunaです。Optunaはハイパーパラメータの最適化を自動で行ってくれるライブラリで、優れた性能を発揮するハイパーパラメータの値を自動的に発見してくれる、とても便利なものです。

Optunaの実装

今回はsklearnの乳がんのデータセットとOptunaでハイパーパラメータを調整してみようと思います。

#必要なモジュールをインポートする
import optuna
import pandas as pd
import sklearn.svm
from sklearn import linear_model
from sklearn import ensemble
from sklearn import datasets
from sklearn import model_selection
from sklearn import metrics

#乳がんのデータセットを取得し、中身を確認する
cancer = datasets.load_breast_cancer()

#Xに特徴量を格納する
X = cancer.data

#yにtargetを格納する
y = cancer.target

# 目的関数の設定
def objective(trial):
    #ハイパーパラメータの集合を定義する
    ##分類モデルの集合
    classifier_name = trial.suggest_categorical("classifier", 
                                                ["LogReg",
                                                 "SVC",
                                                 "RandomForest"
                                                ]
                                               )
    
    ##分類モデルごとのハイパーパラメータの集合
    ###ロジスティック回帰
    if classifier_name == 'LogReg':
        logreg_c = trial.suggest_float("logreg_c",
                                       1e-10, 1e10, 
                                       log=True
                                      )
        classifier_obj = linear_model.LogisticRegression(C=logreg_c)

    ###サポートベクターマシン
    elif classifier_name == "SVC":
        svc_c = trial.suggest_float("svc_c",
                                    1e-10, 1e10,
                                    log=True
                                   )
        classifier_obj = sklearn.svm.SVC(C=svc_c,
                                         gamma="auto")

    ###ランダムフォレスト
    else:
        rf_n_estimators = trial.suggest_int("rf_n_estimators",
                                            10, 1000
                                           )
        rf_max_depth = trial.suggest_int("rf_max_depth", 
                                         2, 50,
                                         log=True
                                        )
        classifier_obj = ensemble.RandomForestClassifier(
            max_depth=rf_max_depth,
            n_estimators=rf_n_estimators
        )

    #評価を行う
    score = model_selection.cross_val_score(classifier_obj,
                                            X,
                                            y,
                                            n_jobs=-1,
                                            cv=10
                                           )
    #結果の平均値
    accuracy = score.mean()
    return accuracy

#目的関数の最適化を実行する
study = optuna.create_study(direction="maximize")
study.optimize(objective, n_trials=100)

# 上のstudyで得られた最高値とパラメータを表示する
print(f"The best value is : \n {study.best_value}")
print(f"The best parameters are : \n {study.best_params}")

解説

#乳がんのデータセットを取得し、中身を確認する
cancer = datasets.load_breast_cancer()

#Xに特徴量を格納する
X = cancer.data

#yにtargetを格納する
y = cancer.target

必要なライブラリをインポートした後、乳がんのデータセットを読み込みます。
cancer.dataで30個の特徴量を全てXに格納、cancer.targetでyにラベルを格納します。念のため中身を確認します。
以下、Xです。格納できていますね。

こちら、yになります。

# 目的関数の設定
def objective(trial):
    #ハイパーパラメータの集合を定義する
    ##分類モデルの集合
    classifier_name = trial.suggest_categorical("classifier", 
                                                ["LogReg",
                                                 "SVC",
                                                 "RandomForest"
                                                ]
                                               )

今回の例では、分類モデルの中で最適なパラメータを探していきます。
カテゴリカルなパラメータとして、ロジスティック回帰/SVC/ランダムフォレストを指定しています。Optunaを使用し、これらの中から最適なパラメータを選択します。カテゴリカルなパラメータを定義する時はtrial.suggest_categorical()メソッドを使用します。

    ##分類モデルごとのハイパーパラメータの集合
    ###ロジスティック回帰
    if classifier_name == 'LogReg':
        logreg_c = trial.suggest_float("logreg_c",
                                       1e-10, 1e10, 
                                       log=True
                                      )
        classifier_obj = linear_model.LogisticRegression(C=logreg_c)

分類モデル ロジスティック回帰の場合のパラメータを定義していきます。
ロジスティック回帰モデルにおいては正則化のパラメータ(C)である"logreg_c"が重要で、今回はこの値の最適値を見つけていきます。
正則化パラメータCを1e-10, 1e10の範囲内で制御し、小さな値から始まり徐々に大きな値に変化させていくようにしています。
log=Tureで指数的なスケールで提案されます。

    ###サポートベクターマシン
    elif classifier_name == "SVC":
        svc_c = trial.suggest_float("svc_c",
                                    1e-10, 1e10,
                                    log=True
                                   )
        classifier_obj = sklearn.svm.SVC(C=svc_c,
                                         gamma="auto")

分類モデル SVMの場合のパラメータを定義していきます。
SVMモデルの正則化のパラメータ(C)である"svc_c"を定義しています。
こちらも、正則化パラメータCを1e-10, 1e10の範囲内で制御し、小さな値から始まり徐々に大きな値に変化させていくようにしています。
log=Tureで指数的なスケールで提案されます。

    ###ランダムフォレスト
    else:
        rf_n_estimators = trial.suggest_int("rf_n_estimators",
                                            10, 1000
                                           )
        rf_max_depth = trial.suggest_int("rf_max_depth", 
                                         2, 50,
                                         log=True
                                        )
        classifier_obj = ensemble.RandomForestClassifier(
            max_depth=rf_max_depth,
            n_estimators=rf_n_estimators
        )

分類モデル ランダムフォレストのパラメータを定義していきます。
"rf_n_estimators"はランダムフォレストの決定木の数を指定するハイパーパラメータです。trial.suggest_int()を使用して、与えられた範囲内で整数値が探索されます。この例では、10から1000までの間で探索されます。
rf_max_depth これは、ランダムフォレストの各決定木の最大深度を指定するハイパーパラメータです。trial.suggest_intを使用して、与えられた範囲内で整数値が探索されます。log=Trueという指定により、対数スケールで値が探索されます。

    #評価を行う
    score = model_selection.cross_val_score(classifier_obj,
                                            X,
                                            y,
                                            n_jobs=-1,
                                            cv=10
                                           )
    #結果の平均値
    accuracy = score.mean()
    return accuracy

model_selection.cross_val_score()関数は、指定された分類器(classifier_obj)とデータ(X,y)に対して、交差検証を実行します。
ここでは、cvパラメータで指定された分割数(ここでは10)でデータが分割され、各分割に対してモデルがトレーニングされ、テストされます。n_jobs=-1は、可能な場合に全てのCPUコアを使用して並列化するためのオプションです。

score.mean()で交差検証で得られたスコアの平均値を計算します。これにより、モデルの平均的な性能を評価できます。
最後にaccuracyを返します。この精度は、交差検証を通じて得られた平均的なモデルの性能を示します。

#目的関数の最適化を実行する
study = optuna.create_study(direction="maximize")
study.optimize(objective, n_trials=100)

# 上のstudyで得られた最高値とパラメータを表示する
print(f"The best value is : \n {study.best_value}")
print(f"The best parameters are : \n {study.best_params}")

optuna.create_study(direction="maximize")は、Optunaの研究を作成します。最適化の方向はとしてmaximizeにて目的関数が最大化することを指定しています。
study.optimize(objective, n_trials=100)は目的関数objectiveを最適化します。ここでは、n_trialsパラメータで指定された数の試行を行います。
今回は100を指定していますので、100回試行されています。

study.best_valueでは、最適化中に見つかった最高値を示します。また、study.best_paramsで最良のパラメータの組み合わせを表示させることができます。以下のようになりました。

https://haruhaya-channel.com/python20
  • この記事を書いた人

Haru

会社員。育休2回取得、40代で転職。
職種はデジタルマーケティング。
ポケモン、スノボ、IT系の学び、キャリア、育児について発信していきます。

-Python, 仕事・キャリア
-, ,