ハイパーパラメータチューナー

このスキルはハイパーパラメータチューナータスクの自動化されたサポートを提供します。

概要

このスキルは、Claude が機械学習モデルを微調整し、最適なハイパーパラメータ構成を自動的に検索できます。異なる検索戦略（グリッド、ランダム、ベイズ最適化）を活用して、ハイパーパラメータ空間を効率的に探索し、モデルのパフォーマンスを最大化する設定を特定します。

仕組み

1. 要件の分析: Claude がユーザーのリクエストを分析して、モデル、チューニングするハイパーパラメータ、検索戦略、評価メトリクスを決定します。
2. コード生成: Claude が適切な ML ライブラリ（例：scikit-learn、Optuna）を使用して Python コードを生成し、指定されたハイパーパラメータ検索を実装します。コードはデータロード、前処理、モデル訓練、評価を含みます。
3. 検索の実行: 生成されたコードが実行され、ハイパーパラメータ検索を実行します。プラグインは異なるハイパーパラメータの組み合わせを反復処理し、各組み合わせでモデルを訓練し、パフォーマンスを評価します。
4. 結果のレポート: Claude は検索中に見つかった最適なハイパーパラメータ構成と、対応するパフォーマンスメトリクスをレポートします。検索プロセスと、さらなる最適化の可能性のある領域についても洞察を提供します。

このスキルを使用する場合

このスキルは以下の場合に起動します：

• 機械学習モデルのパフォーマンスを最適化する必要がある
• 最適なハイパーパラメータ設定を自動的に検索する
• 異なるハイパーパラメータ検索戦略を比較する
• モデルの精度、適合率、再現率、またはその他の関連メトリクスを向上させる

例

例 1: ランダムフォレストモデルの最適化

ユーザーリクエスト: 「グリッドサーチを使用してランダムフォレストモデルのハイパーパラメータをチューニングして、iris データセットでの精度を最大化してください。n_estimators と max_depth を考慮してください。」

スキルは以下を実行します：

1. iris データセットを使用してランダムフォレストモデルの指定されたハイパーパラメータ（n_estimators、max_depth）に対するグリッドサーチを実行するコードを生成します。
2. グリッドサーチを実行し、最適なハイパーパラメータの組み合わせと、対応する精度スコアをレポートします。

例 2: ベイズ最適化の使用

ユーザーリクエスト: 「Optuna を使用したベイズ最適化で Gradient Boosting モデルを最適化して、Boston housing データセットのルート平均二乗誤差を最小化してください。」

スキルは以下を実行します：

1. Optuna を使用してベイズ最適化を実行し、Boston housing データセット上で Gradient Boosting モデルの最適なハイパーパラメータを検索するコードを生成します。
2. 最適化を実行し、最適なハイパーパラメータの組み合わせと、対応する RMSE をレポートします。

ベストプラクティス

• 検索空間の定義: チューニング対象の各ハイパーパラメータの値の範囲とタイプを明確に定義します。
• 適切な戦略の選択: ハイパーパラメータ空間の複雑さと利用可能な計算リソースに基づいて、ハイパーパラメータ検索戦略（グリッド、ランダム、ベイズ最適化）を選択します。ベイズ最適化は一般的に複雑な空間でより効率的です。
• 交差検証を使用する: 評価メトリクスの堅牢性を確保し、過学習を防ぐために交差検証を実装します。

統合

このスキルは、データ分析、モデル訓練、デプロイメントなど、機械学習タスクに関わる他の Claude Code プラグインとシームレスに統合されます。データビジュアライゼーションツールと組み合わせて使用すると、異なるハイパーパラメータ設定がモデルパフォーマンスに与える影響についての洞察を得られます。

前提条件

• 適切なファイルアクセス権限
• 必要な依存関係がインストール済みであること

手順

1. トリガー条件が満たされたときにこのスキルを呼び出します
2. 必要なコンテキストとパラメータを提供します
3. 生成された出力をレビューします
4. 必要に応じて修正を適用します

出力

スキルはタスクに関連した構造化された出力を生成します。

エラーハンドリング

• 無効な入力: 修正を要求します
• 依存関係の欠落: 必要なコンポーネントをリストアップします
• 権限エラー: 修正ステップを提案します

リソース

• プロジェクトドキュメント
• 関連するスキルとコマンド