ChatGPTに機械学習アルゴリズムの予測精度比較させてみた

前回の記事で圧倒的な実力を見せてくれたChatGPT。
今回は前回に引き続きChatGPTを使って機械学習モデルを複数構築して予測精度を比較していく。

ChatGPTでECサイトの商品販売個数を予測

前回に引き続きKaggleのデータセット E-Commerce Summer Product Ratings and Sales を使った。

線形回帰、決定木、ランダムフォレストでモデル構築。
score値を比較した。

データセットのインポートや線形回帰での検討は前回の記事を参照ください。
ChatGPTに機械学習でECの売り上げ予測させてみた

あらかじめ生成していた訓練データを使ってモデルを学習と、score値の出力までサクッとやってくれます。
交差検証でのモデル評価のアドバイスまで。
優秀だなほんと。

おすすめされた交差検証を実施。
交差検証についてはこちらの記事を参考に。
交差検証（Python実装）を徹底解説！（codexa）

3種類のモデルを用いて比較検討するコードを教えてくれた。

今回構築したモデルでは決定木が最も予測精度が高かった.
今回のデータセットの特徴量では決定木が相性が良かったようだ。

以上、ChatGPTを用いて簡単に機械学習モデルの比較ができた。

ChatGPTはコーディングのアシスタントとして優秀であることが良く分かった。
しかし一方で、やや改善を望む点もあった。

モデル名や変数名のゆらぎ
期待する回答が得られなかった場合に、言い回しを少しずつ変えて、狙い通りのへんとうが得られるまで何度か質問を繰り返すことがある。
その場合、回答で使われるモデル名や変数名にゆらぎが生じ、コピペ先で適切に修正する必要がある。
jupyter notebookからAPIで呼び出すと表示が崩れる
webアプリで質問、答えをjupyterにコピペする作業は面倒。
jupyter上でAPIでChatGPTを呼び出せる。が、しかし、日本語呼びかけると、出力がHTMLのような文字列が出力され読みとれない。（自力で頑張って直すのも面倒そう）
twwiterでよく見かける、ChatGPT×GoogleSpredsheetでやってみるのもあり。