---
title: "MLパイプラインの作成"
url: https://docs.catalyst.zoho.com/ja/tutorials/cancer-detection/create-ml-pipeline/
description: "Catalyst QuickMLサービスを使用して、乳がんの発症リスクを予測するための強力なMLパイプラインを作成・設定します。"
last_updated: 2026-10-30T17:47:18Z
service: All Services
type: tutorial
related_links:
  - name: "ML Algorithms in QuickML"
    url: /ja/quickml/help/ml-algorithms/classification-algorithms
  - name: "Operations in QuickML"
    url: /ja/quickml/help/operations-in-quickml/encoding
---

# MLパイプラインの作成

このセクションでは、前のセクションで前処理したデータセットを使用して、予測MLモデルを構築します。データセットは[ML Pipeline Builder](https://docs.catalyst.zoho.com/ja/quickml/help/pipeline-builder-interface/walkthrough/)への入力となり、モデルのアーキテクチャを定義し、予測対象の列を選択できます。

MLパイプラインを作成するには：

1. 左メニューの**Pipelines**コンポーネントに移動し、**Create Pipeline**をクリックします。
  ![create-ml-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/create-ml-pipeline.webp) 

2. 表示されるポップアップで、パイプラインタイプとして**Prediction**を選択し、パイプライン名に「**Pipeline_B**」と入力し、入力データセットとして**Cancer_detection_A**を選択します。今回のケースでは、ターゲット列は「**diagnosis**」です。モデル名はパイプライン名に基づいて自動入力されます。**Create Pipeline**をクリックします。
  ![ml-pipeline-name](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/ml-pipeline-name.webp)
  `Retrain model when the datasset is updated`は、データセットが更新されるたびに作成したパイプラインを再トレーニングするためのオプションです。詳細は[periodic-sync](https://docs.catalyst.zoho.com/ja/quickml/help/periodic-sync/)のドキュメントを参照してください。また、`Create an Auto-generated pipeline using AutoML`は、MLパイプラインを自動的に作成するオプションです。詳細は[AutoML pipeline](https://docs.catalyst.zoho.com/ja/quickml/help/periodic-sync/)のドキュメントを参照してください。

3. 以下のスクリーンショットに示すように、パイプライン詳細ページが表示されます。
  ![ml-pipeline-interface](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/ml-pipeline-interface.webp)

  MLパイプラインが作成されたので、ML Pipeline Builderインターフェースでノードを定義してパイプラインの設定を行います。

### データ型の変換

ターゲット列の「**diagnosis**」には**String**型のカテゴリカルデータが含まれているため、MLトレーニングの標準に合わせてエンコードする必要があります。

1. **Operations**メニューで、**ML operations->Encoding->Label Encoder**に移動します。[Label Encoderノード](https://docs.catalyst.zoho.com/ja/quickml/help/operations-in-quickml/encoding/#label-encoding)をML Pipeline Builderインターフェースにドラッグ＆ドロップします。Label encodingはターゲット列にのみ適用できるため、自動的に実行されます。
![ordinal-encoder](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/label-encoder.webp)

この操作により、列の値が**String**型から**Integer**型に変換され、順序が維持されデータの正確性が保たれます。

### ハイパーパラメータチューニング

MLモデルでは、モデルがトレーニングされるためのMLアルゴリズムの実装が必須です。このチュートリアルでは、[ロジスティック分類アルゴリズム](https://docs.catalyst.zoho.com/ja/quickml/help/ml-algorithms/classification-algorithms/#ロジスティック回帰)を実装して、前処理済みデータセットに最適化されたMLモデルのチューニングパラメータを設定します。

1. Operationsメニューで、**ML operations->Algorithm->Classification->Logistic Regression**を展開します。**Logistic Regression**ノードをPipeline Builderにドラッグ＆ドロップします。ノードは自動的に**Destination**ノードに接続されます。**Label Encoder**と**Logistic Regression**ノードを接続します。
![logistic-reg](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/logistic-reg.webp)

2. **Logistic Regression**ノードでは、デフォルト設定のまま**Save**をクリックします。
![logistic-reg](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/logistic-reg-save.webp)

  これで、必要なノードの接続と設定が完了しました。**Execute**をクリックしてパイプラインを実行し、評価とデプロイに進みます。

  ![status-success](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/status-success.webp)

  **Execution Stats**をクリックすると、各実行ステージの詳細を確認できます。

  ![pipelineb-stats](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/pipelineb-stats.webp)

  MLパイプラインの実行が成功すると、予測モデルが作成され、**Models**セクションに表示されます。

  モデル名をクリックすると、Models詳細ページでモデルの詳細を確認できます。

  ![select-ml-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/select-ml-pipeline.webp)

  さらに、生成されたモデルの精度は、Models詳細ページの**Metrics**セクションで評価・確認できます。これにより、データに対するモデルの予測のパフォーマンスと有効性に関する貴重な洞察が得られます。

  ![metrics](https://catalyst-docs-development.zohostratus.in/images/tutorials/cancer-detection/metrics.webp)