学習記録 その27(31日目)
学習記録(31日目)
勉強開始:12/7(土)〜
教材等:
・大重美幸『詳細! Python3 入門ノート』(ソーテック社、2017年):12/7(土)〜12/19(木)読了
・Progate Python講座(全5コース):12/19(木)〜12/21(土)終了
・Andreas C. Müller、Sarah Guido『(邦題)Pythonではじめる機械学習』(オライリージャパン、2017年):12/21(土)〜12月23日(土)読了
・Kaggle : Real or Not? NLP with Disaster Tweets :12月28日(土)投稿〜1月3日(金)まで調整
・Wes Mckinney『(邦題)Pythonによるデータ分析入門』(オライリージャパン、2018年):1/4(水)〜1/13(月)読了
・斎藤康毅『ゼロから作るDeep Learning』(オライリージャパン、2016年):1/15(水)〜1/20(月)
・François Chollet『PythonとKerasによるディープラーニング』(クイープ、2018年):1/21(火)〜
『PythonとKerasによるディープラーニング』
p.186 第5章 コンピュータービジョンのためのディープラーニングまで読み終わり。
ニューラルネットワークによるアヤメの分類
ニューラルネットワークについて、書籍ではkerasデータセットの手書き文字などを使って解説してあったものの、あえてsklearnのアヤメデータセットを使って分類を実施してみました。
from keras import models, layers
from keras.utils.np_utils import to_categorical
from sklearn import datasets
from sklearn.model_selection import train_test_split
#トイデータの読み込み
iris = datasets.load_iris()
#ディレクトリ中身の確認、'data'と'target'についてそれぞれ定義
dir(iris)
x = iris.data
y = iris.target
#データ形状を確認
print([x.shape, y.shape])
print(iris.fearture_names)
print(x[0])
x.shape = (150, 4), y.shape = (150, )
iris.feature_namesでxの要素について確認。
xの4列がそれぞれ ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] に対応していることを確認。
yは0~2で、3種類のアヤメに対応。
def normalization(x):
mean = x.mean(axis = 0)
std = x.std(axis = 0)
x -= mean
x /= std
return x
x = normalization(x)
y = to_categorical(y)
xから平均を引き標準偏差で割ることで、「中心が0、標準偏差が1」になるよう各要素ごと正規化する。
yもto_categoricalで0か1かのベクトル化を実施する。
x_train, x_test, y_train, y_test =
train_test_split(x, y, train_size = 0.7, random_state = 3)
print([x_train.shape, x_test.shape, y_train.shape, y_test.shape])
訓練用とテスト用を7:3で分割。
ShuffleはDefaultでTrueなのでrandom_stateのみ設定する。
要素はそれぞれ、[(105, 4), (45, 4), (105, 3), (45, 3)]となっており、ちゃんと分割できたことを確認。
model = models.Sequential()
model.add(layers.Dense(64, activation = 'relu', input_shape = (x.shape[1], )))
model.add(layers.Dense(64, activation = 'relu'))
model.add(layers.Dense(3, activation = 'softmax'))
model.summary()
model.compile(optimizer = 'rmsprop', loss = 'categorical_crossentropy', metrics = ['accuracy'])
各層の活性化関数はReLU、最後の層の活性化関数はsoftmaxを使用。(p.119 表4-1を参照)
オプティマイザは、ほぼrmspropで足りるとの記載よりこちらを選択した。
model.fit(x_train, y_train, epochs = 100, batch_size = 1, verbose=0)
result = model.evaluate(x_test, y_test)
print(result)
#[0.15816927485995821, 0.9555555582046509]
epochsはとりあえず100、batch_sizeは当然ながら1。
以上、単純な構造であったものの、結果として96%の精度が得られました。
処置事項1:モデル最終層の出力
アヤメは3種類あるので、layers.Dense(3)とすべきところをlayers.Dense(1) にしていたため発生したエラー。
必要とする出力の数に合わせて変える必要がある。(手書き文字なら0〜9の10個)
処置事項2:学習の記録
Author And Source
この問題について(学習記録 その27(31日目)), 我々は、より多くの情報をここで見つけました https://qiita.com/SHUNMT/items/fc1bc5ea896557c5238b著者帰属:元の著者の情報は、元のURLに含まれています。著作権は原作者に属する。
Content is automatically searched and collected through network algorithms . If there is a violation . Please contact us . We will adjust (correct author information ,or delete content ) as soon as possible .