#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 [#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 ===============");