- 追加された行はこの色です。
- 削除された行はこの色です。
#author("2019-06-07T12:47:05+09:00","default:kyo-in","kyo-in")
#author("2019-06-07T13:21:20+09:00","default:kyo-in","kyo-in")
**機械学習による図形推定（学習モデル作成編） [#fe389f61]
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 [#w8ce39e2]
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．
#ref(../第4回/learning.gif,50%);
***学習データの読み込み [#baed2ded]
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リストstrokeDatasに蓄積されていたとすると，
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 [#e8fd6eca]
ML.netでは入力されたデータを実際学習に使用するデータへの加工→学習モデルの作成
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"));
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 [#cba212d5]
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 [#q6c66fd4]
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 [#g5bc2778]
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 ===============");
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
