機械学習による図形推定(学習モデル作成編)

前回は作成済みの学習モデルを読み込んで使用したが,今回はML.netで学習モデルを作成する手順を紹介する.

学習データの作成

学習データ作成用のUIを作る必要がある.以下の例では事前にユーザがこれから何を描くかラベル(正解)を指定して,学習データ(StrokeData)を作成している.

learning.gif

学習データの読み込み

前回の,ストロークを特徴ベクトルに変換しラベル(正解)が付けられたデータ群がList<StrokeData> strokeDatasに蓄積されていたとすると,

mLContext = new MLContext();
IDataView trainingData = mLContext.Data.LoadFromEnumerable(strokeDatas); //1
DataOperationsCatalog.TrainTestData splitDataView = 
mLContext.Data.TrainTestSplit(trainingData, testFraction: 0.2); //2

1で,ML.netで使用するためデータを読み込む.mLContext.Data.LoadFromEnumerableメソッドにより,IEnumerableを実装したクラス(ArrayやList<>)などからデータを読み込める.

2で,データをトレーニング用と評価テスト用に分ける.0.2で2割のデータを評価テスト用としている.

パイプラインの作成

ML.netでは入力されたデータを学習に使用するデータへの加工→学習モデルの作成 などの作業をパイプラインとして定義(作成)しておく.また,機械学習ではデータの前処理なども大きな仕事となるので,データを処理するだけのパイプラインを作ることもできる.

var pipeline = mLContext.Transforms.Concatenate("Features", new[] { "DirCount" }).Append(mLContext.BinaryClassification.Trainers.SdcaLogisticRegression(labelColumnName: "Label", featureColumnName: "Features"));

上記コードではまず,Transforms.Concatenateで,データ(StrokeData)の"DirCount"メンバを特徴ベクトルとして,"Features"属性にしている.

続けて,.Appendで次の作業を登録する.ここではSdcaLogisticRegressionを利用した二項分類のトレーナーで学習モデルを作る作業を登録している.

SdcaLogisticRegressionでは,データの"Label"属性をラベル(正解)として,"Features"属性を特徴ベクトルとして学習を行うよう引数で指示している.

学習モデルの作成

前述の作成したパイプラインに学習データのトレーニング分を入力することで学習モデルを作成する.

strokePredictModel = pipeline.Fit(splitDataView.TrainSet);

学習モデルの保存

作成した学習モデルはzipファイルで保存できる.保存する際は学習データのSchemaが必要となる.

           if (strokePredictModel != null)
           {
               Windows.Storage.StorageFolder storageFolder = Windows.Storage.ApplicationData.Current.LocalFolder;
               Windows.Storage.StorageFile modelFile = await storageFolder.CreateFileAsync("model.zip", Windows.Storage.CreationCollisionOption.ReplaceExisting);

               IDataView data = mlContext.Data.LoadFromEnumerable<StrokeData>(strokeDatas);
               using (System.IO.Stream stream = await modelFile.OpenStreamForWriteAsync())
               {
                   mlContext.Model.Save(strokePredictModel, data.Schema, stream);
                   stream.Flush();
               }
           }

学習モデルの評価

必須ではないが,テスト用のデータで作成した学習モデルの評価を行う.

IDataView predictions = strokePredictModel.Transform(splitDataView.TestSet); 
CalibratedBinaryClassificationMetrics metrics = 
mLContext.BinaryClassification.Evaluate(predictions, "Label");

AddMessage("");
AddMessage("Model quality metrics evaluation");
AddMessage("--------------------------------");
AddMessage($"Accuracy: {metrics.Accuracy:P2}");
AddMessage($"Auc: {metrics.AreaUnderRocCurve:P2}");
AddMessage($"F1Score: {metrics.F1Score:P2}");
AddMessage("=============== End of model evaluation ===============");

提出方法

完成した最終的なストロークアプリケーションの.slnファイルのあるフォルダごとまとめて以下授業フォルダ、第5回に提出すること。

締め切り:

7月18日(木)18時

\\nas002.term.usmc.dendai.ac.jp\授業用ワークスペース\千住キャンパス\前期\未来科学部\⊂霾鵐瓮妊ア学科\FI3情報メディア基礎ゼミ(森谷友昭)月2\第05回\提出


トップ   編集 凍結 差分 バックアップ 添付 複製 名前変更 リロード   新規 一覧 検索 最終更新   ヘルプ   最終更新のRSS
Last-modified: 2019-07-16 (火) 10:41:55