---
title: "MLパイプラインの作成"
url: https://docs.catalyst.zoho.com/ja/tutorials/credit-card-fraud-detection/create-ml-pipeline/
description: "クレジットカード不正検出 — Catalyst QuickMLサービスを使用して、クレジットカード取引の不正を検出するための強力なMLパイプラインを作成します。"
last_updated: 2026-08-17T12:16:04Z
service: All Services
type: tutorial
related_links:
  - name: "QuickMLのMLアルゴリズム"
    url: /ja/quickml/help/ml-algorithms/classification-algorithms
  - name: "QuickMLでの操作"
    url: /ja/quickml/help/operations-in-quickml/encoding
---

# MLパイプラインの作成

予測モデルを構築するために、前処理済みデータセットを[MLパイプラインビルダー](https://docs.catalyst.zoho.com/ja/quickml/help/create-ml-pipeline/)で使用します。MLパイプラインの構築における最初のステップは、予測対象のカラムである**ターゲットカラム**を選択することです。

MLパイプラインを作成するには、まず**Pipelines**コンポーネントに移動し、`Create Pipeline`オプションをクリックします。
![ML Pipeline Creation 1](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/ml-pipeline-creation-1.webp)

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、パイプライン名を入力します。ここではパイプライン名を**Fraud Detection ML pipeline**、モデル名を**Fraud Detection ML pipeline Model**とします。次に、適切なデータセットとターゲットのカラム名を選択します。
![ML Pipeline Creation Meta](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/ml-pipeline-name.webp)

データパイプラインの構築用に選択したソースデータセットを選択する必要があります。前処理済みデータはソースデータセットに反映されているためです。今回のケースでは、前処理とクリーニング用に選択した**Fraud Detection Dataset**をインポートし、ターゲットは**is_fraud**という名前のカラムです。

1. ### カラムの正規化
    特徴量「**amt**」、「**city_pop**」、「**age**」の値はさまざまな範囲にあるため、[Mean-Std Normalization](https://docs.catalyst.zoho.com/ja/quickml/help/operations-in-quickml/normalization/#mean-std-normalization)コンポーネントを使用して、特徴量の値を一般的に**0**から**1**の範囲に縮小します。**ML operations->Normalization**に移動します。`Mean-Std Normalization`ノードをMLパイプラインビルダーインターフェースにドラッグ＆ドロップします。右側パネルの設定ボックスで、「**is_fraud**」以外のすべてのカラムを選択し、`Save`をクリックします。
    ![normalization](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/normalization.webp)

2. ### カテゴリカラムのエンコーディング
      エンコーダーは、カテゴリカルデータや非数値データを機械学習アルゴリズムが効果的に処理できる数値形式に変換するために、さまざまなデータ前処理や機械学習タスクで使用されます。

    - #### One-hotエンコーダー
      [One-hotエンコーディング](https://docs.catalyst.zoho.com/ja/quickml/help/operations-in-quickml/encoding/#one-hot-encoding)は、通常、データセットのカテゴリカラムに適用されます。各カテゴリは個別のクラスまたはグループを表します。この方法では、一意のカテゴリごとに新しいバイナリカラムが作成されるため、データセットの次元数が増加します。バイナリカラムの数は、一意のカテゴリ数から1を引いた数に等しくなります。他のすべてのカテゴリが存在しないことから、最後のカテゴリの存在を推測できるためです。

      ここでは、`One-Hot Encoder `ノードを使用して、「**category**」、「**gender**」、「**state**」のカラムをエンコードします。QuickMLでML operationsに移動し、**Encoding**コンポーネントを選択し、**One-Hot Encoder**を選択して、選択したカテゴリカラムを数値カラムに変換します。

      ![One Hot Encoding](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/one-hot-encoder.webp)

3. ### MLアルゴリズム：
	MLパイプライン構築の次のステップは、前処理済みデータのトレーニングに適切なアルゴリズムを選択することです。ここでは、[XGBoost分類アルゴリズム](https://docs.catalyst.zoho.com/ja/quickml/help/ml-algorithms/classification-algorithms/#xgb-classification)を使用してデータをトレーニングします。

	**XGBoost**（Extreme Gradient Boosting）は、分類タスクに広く使用されている人気のある強力な機械学習アルゴリズムです。複数の決定木の予測を組み合わせて強力な予測モデルを作成するアンサンブル学習手法です。XGBoostは、その速度、スケーラビリティ、複雑なデータセットを処理する能力で知られています。\
  QuickMLのMLパイプラインビルダーで、**ML operations**から`XGBoost Classification`ノードをドラッグ＆ドロップして、XGBoost分類手法をすばやく構築できます。**Algorithm**を選択し、**Classification**をクリックし、**XGBoost Classification**を選択します。\
  特定のデータセットに最適化するためにチューニングパラメータを調整することもできます。今回のケースでは、デフォルト設定のままで問題ありません。すべての設定が完了したら、パイプラインを保存してさらなるテストとデプロイに備えます。
  ![XGBClassification](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/XGBClassification.webp)

アルゴリズムノードをドラッグ＆ドロップすると、その終端ノードが自動的にDestinationノードに接続されます。`Save`をクリックしてパイプラインを保存し、パイプラインビルダーページの右上にある`Execute`ボタンをクリックしてパイプラインを実行します。
以下のページにリダイレクトされ、実行ステータス付きの実行済みパイプラインが表示されます。パイプラインの実行が成功したことが明確に確認できます。
![executed-ml-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/executed-ml-pipeline.webp)

`Execution Stats`をクリックすると、モデル実行の各ステージに関するコンピュートの詳細を確認できます。
![execution-stats-ml-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/execution-stats-ml-pipeline.webp)

MLワークフローが正常に完了すると、予測モデルが作成され、Modelセクション（**Fraud Detection ML pipeline model**をクリック）で確認できます。
![Model name](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/model.webp)

これにより、データに基づいて予測を行う際のモデルの効率性とパフォーマンスに関する有用な知見が得られます。
![Model-Metrics](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/model-metrics.webp)