情報メディア基礎ゼミ/2019/第5回のバックアップ(No.2)

バックアップ一覧
差分を表示
現在との差分を表示
ソースを表示
情報メディア基礎ゼミ/2019/第5回へ行く。
- 1 (2019-06-07 (金) 12:47:05)
- 2 (2019-06-07 (金) 13:21:20)
- 3 (2019-06-10 (月) 12:01:51)
- 4 (2019-06-24 (月) 10:58:30)

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．

↑

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 ===============");

情報メディア基礎ゼミ/2019/第5回 のバックアップ(No.2)