Recommended
More Related Content
Similar to ほぼノン・プログラミングでAI × G空間分析（FOSS4G 2019 KOBE.KANSAI ハンズオン）
Similar to ほぼノン・プログラミングでAI × G空間分析（FOSS4G 2019 KOBE.KANSAI ハンズオン） (20)
ほぼノン・プログラミングでAI × G空間分析（FOSS4G 2019 KOBE.KANSAI ハンズオン）
- 1. 株式会社オービタルネット 小林 裕治 2019.10.14 FOSS4G2019 KOBE・KANSAI ハンズオン ほぼノン・プログラミングで AI×G空間分析
- 2. 1 INDEX 1. 過去の賃貸物件情報をもとに名古屋市全域の賃料予測をやってみる（準備） 2 .WebブラウザでH2OのWebサービスに接続してウェイトモデルを作成する 3 .Rを使用して賃料予測 4 .QGISを使って地図上で可視化しよう 5. Rを使用して学習から予測までを一気通貫で行う 6 .ハイパーパラメータを変更して色々試してみよう ７ .Kaggle Competitionのチュートリアルにチャレンジしよう ・・・9P ・・18P ・・44P ・・52P ・・63P ・・69P ・・72P
- 4. 3 ディープラーニングにできること 回帰 分類 クラスタリング 関数のパラメータを推定する クラスを分類する基準、 ルールを見つける 複数の集合（クラスタ）に 分割するルールを見つける 今回は、定番とも言える画像の識別・分類ではなく、 入力と出力の相関関係を求める回帰分析を行います！
- 6. 5 ディープ・ニューラルネットワークとは 入力層 x1 x2 x3 w0 w1 w2 隠れ層（中間層）が2層以上 bias項 w3 h：活性化関数 x0=1 ・・・ ・・・ ・・・ 出力層 人間の脳の神経細胞の情報伝達の仕組みを模倣したアルゴリズムで ニューラルネットワークの中間層を多層化したもの y ・ ・ ・ z = h(∑𝑖𝑖=0 𝐷𝐷 𝑤𝑤𝑖𝑖 𝑥𝑥𝑖𝑖) ・ ・
- 7. 6 ディープ・ニューラルネットワークのイメージ 入力層 隠れ層 C1：経度 C2：緯度 C3：部屋面積 C4：築年数 C5：物件種別 y：賃料 出力層 5つの変数（C1～C5）をDNNに入力 賃料（y）を出力（回帰は出力が1ユニットになる） ディープ・ニューラル・ネットワークのイメージ
- 9. 8 実行環境 Operation System:Windows 7, 8, 10 ※LinuxやMacでも動作しますがファイルパスなどの変更は自己責任でお願いします 統計分析ツール：R （R 3以降） Deep Learningフレームワーク：H2O 重要：H2Oを動かすためにJava 7 JDK以降の64bit版が必要です。 GISツール：QGIS3.x以降
- 14. 13 ディープラーニングのフロー マッピング 予測 予測用データ 予測結果 予測フェーズ 学習 賃料モデル 訓練データ 学習フェーズ 可視化フェーズ データ収集 アドレスマッチング 賃貸物件情報収集
- 16. 15 使用する学習用データ 「SUUMO東海版」を対象に名古 屋市内約11,000件の賃貸情報 を収集. 住所表記を東京大学空間情報 科 学 研 究 セ ン タ ー が 提 供 す る 「CSVアドレスマッチングサービス」を 利用し緯度・経度に変換 カラム ヘッダ名称 説明 変数種別 0 lon 経度 実数 1 lat 緯度 実数 2 area 面積 実数 3 year 築年数 整数 4 type 建物種別 整数 5 value 賃料 整数 経度 緯度 部屋面積 築年数 種別 賃貸料 136.93079 35.13878 20 8 アパート 21,000 136.96043 35.15283 12.42 11 アパート 26,000 136.90855 35.14965 19.28 15 マンション 42,000 136.92181 35.14797 24 15 アパート 40,000 136.92181 35.14797 24 15 アパート 40,000 136.92328 35.17732 20.18 9 マンション 40,000 136.92387 35.14506 18.88 10 マンション 43,000 136.94275 35.16594 18.68 13 アパート 40,000 136.91441 35.12801 16.59 9 アパート 40,000 136.95706 35.11822 29.05 15 マンション 42,000 136.95706 35.11822 28.93 15 アパート 42,000 136.92464 35.12334 25.47 12 アパート 45,000 136.9191 35.13755 24.64 15 マンション 41,000 136.9191 35.13755 24.64 15 マンション 41,000 136.93353 35.16344 24.3 12 マンション 45,000 136.89128 35.12632 24.02 15 マンション 41,000 136.90959 35.12192 22.77 12 マンション 45,000 136.94852 35.15774 22.35 14 アパート 45,000 136.9332 35.16027 19.52 7 マンション 42,000 136.89009 35.13178 23.45 15 マンション 42,000 136.96039 35.1846 24.3 11 アパート 46,000 136.91931 35.13356 24 15 マンション 43,000 136.91931 35.13356 24.06 15 マンション 43,000 136.9473 35.11444 22.11 10 アパート 44,000 ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ 訓練データ定義 賃貸物件データ（訓練データ）
- 23. 22 H2Oのインストール
- 24. 23 H2Oの起動 #現在起動しているRセッションにパッケージH2Oを読み込む library("h2o") # h2oの起動、max_mem_sizeで使用可能な最大メモリ数を指定 localH2O = h2o.init(nthreads = -1, max_mem_size="3g")
- 29. 28 学習用データのインポート
- 34. 33 入力データの検証
- 40. 39 ウェイトモデル構築
- 41. 40 ウェイトモデル構築の検証
- 42. 41 RMSLE (Root Mean Squared Logarithmic Error) ある値は10、ある値は10億といった、値のレンジが大きな データの学習に利用します。 RMSE（すべての誤差の平方根の平均）と比較して • 対数（log）を計算してから、予測と実績を引き算。 • 予測と実績の誤差を幅ではなく比率として表現 • 対数を取る前に、予測、実績共に＋１ 回帰問題の評価指標としてRMSEやRMSLEがあります
- 47. 46 Rスクリプト 1/4 # 学習 # 第1引数：活性化関数 （型：文字列） # 第2引数：隠れ層 （型：配列） # 第3引数：epochs （型：整数） learning = function(activ, hide, epoc) { # 教師データの読み込み teachData<-h2o.importFile(path='nagoya_all_rental_15year_type_coded.txt') # DeepLearning rent.dl<-h2o.deeplearning(x=1:5,y=6,teachData, activation=activ, hidden= hide, epochs = epoc) # 学習モデルの保存 h2o.saveModel(rent.dl , path = 'model', force = TRUE) } rent_predict.R （その1） 以下４ページ分が、賃料予測に使用するRスクリプトファイルの内容です。 処理確認用の標準出力のコードは省略してあります。
- 48. 47 Rスクリプト 2/4 # 予測 # 第1引数：部屋面積 （型：整数） # 第2引数：築年数 （型：整数） # 第3引数：建物種別 （型：列挙型（0 or 1） predict = function(c1, c2, c3, c4){ save_dir <- "data¥¥" if(c3==1){ type <- "マンション" } else { type <- "アパート" } leaning_model <- c4 menseki <- paste("部屋面積 = ", c1, "㎡", sep = "") year <- paste("築年数 = ", c2, "年", sep = "") type <- paste("物件種別 = ", type, sep = "") rent_predict.R （その2）
- 49. 48 Rスクリプト 3/4 targetData <- read.table(file('grid_point.txt',encoding='cp932‘)) rows <- nrow(targetData) testData <- cbind(targetData,rep(c1, rows)) testData <- cbind(testData,rep(c2, rows)) testData <- cbind(testData,rep(c3, rows)) inFile_name <- paste(c1, c2, c3, sep = "_") inFile <- paste(inFile_name, ".txt", sep = "") # h2oのデータフレームへの変換方法がわからないので # 一旦ファイルへ出力してから ”h2o.importFile” で読み込む write.table(testData,file=inFile, quote=F,row.names=F, col.names=F,sep='¥t‘) tmpData <- h2o.importFile(path=inFile) #学習モデルの読み込み model <- h2o.loadModel(leaning_model) rent_predict.R （その3）
- 50. 49 Rスクリプト 4/4 # 予測 rent.dl.pred <- h2o.predict(model,tmpData) rent.dl.pred.df <- as.data.frame(rent.dl.pred) # 予測結果を結合する predData <- cbind(testData, rent.dl.pred.df) # ヘッダーの追加 header <- c("x", "y", "menseki", "year", "type", "rent") predData <- rbind(header, predData) prefix <- unclass(Sys.time()) outFile <- paste(save_dir, "predict_", inFile_name, "_", prefix, ".csv", sep = "") # 予測結果を出力 write.table(predData,file=outFile, quote=F,row.names=F, col.names=F,sep=',') } rent_predict.R （その4）
- 51. 50 とりあえず賃料予測 predict(40, 10, 1, "c:¥¥R_work¥¥model¥¥test_model001") #第1引数：部屋面積 （型：整数） #第2引数：築年数 （型：整数） #第3引数：建物種別 （型：列挙型（0：アパート or 1：マンション） 早速、先ほどWebサービスで学習したウェイトモデル を使って賃料予測してみましょう
- 52. 51 予測結果 予測結果データは ”C:¥R_work¥data¥” に 出力されていることを確認してください 注）FOSS４G TOKAIのハンズオンで、H2OのlocalWebサービスで生成したモデルが RのH2O関数を使った予測でエラー終了するケースがありました。 同じようにエラーが出てしまった場合は、３項の “Rを使用して学習から予測までを 一気通貫で行う” で再び学習フェースでウェイトモデルの作成を行いますので しばらくお待ちください！
- 60. 59 スタイルの設定
- 61. 60 QGISで可視化
- 63. 62 再表示
- 65. 64 RからH2Oを使って学習させよう #第1引数：活性化関数 （型：文字列） #第2引数：隠れ層 （型：配列） #第3引数：epochs 学習回数 （型：整数） #（例：活性化関数: Rectifier ,200ユニット×2層, エポック数 10 の場合） learning("Rectifier", c(200, 200), 10) 先にWebブラウザを使って実施したH2Oでのディープ・ラーニング 学習過程をRから実行させます 先に読み込んだ ”rent_predict.R” スクリプトの ”learning” 関数を実行します 実際に学習を行うのは以下の部分になります h2o.deeplearning(x=1:5,y=6,teachData, activation=activ, hidden= hide, epochs = epoc)
- 66. 65 H2Oの学習用関数 h2o.deeplearning(x=1:5, y=6, teachData, activation=activ, hidden= hide, epochs = epoc) 説明変数（１列～５列） 目的変数（６列目） 活性化関数 隠れ層のネットワーク エポック数 学習用データ 隠れ層のネットワークはRのベクトルで渡します 200ユニット×２層のネットワークの場合 C(200,200)の他、rep(200,2)とすることもできます 実際に学習を行うのは以下の部分になります teachData<- h2o.importFile(path='nagoya_all_rental_15year_type_coded.txt')
- 68. 67 賃料予測以降の流れ predict(40, 10, 1, "c:¥¥R_work¥¥model¥¥DeepLearning_model_R_157059401 7945_1") #第1引数：部屋面積 （型：整数） #第2引数：築年数 （型：整数） #第3引数：建物種別 （型：列挙型（0：アパート or 1：マンション） “3．Rを使用して賃料予測” で実施した内容で、 ウェイトモデルを今回作成したものに差し替えるだけです
- 69. 68 H2Oの予測用関数 h2o.predict(model, tmpData) H2Oで予測を行部分です 学習で生成したモデル 予測用データ（学習用データ構造の目的変数のカラムを除いたもの） tmpData <- h2o.importFile(path=inFile)
- 71. 70 試行タイム ● 予測関数のパラメータを変更して様々なパターンの賃料 推定をしてみよう ○ 面積や築年数を変更して予測をして、結果を可視化し比較する ● 学習モデルを変更して違いをみてみよう ○ 隠れ層や学習回数を変更して自分なりのモデルを作成する。 部屋面積 = 30㎡ 築年数 = 1年 建物種別 = アパート 部屋面積 = 40㎡ 築年数 = 5年 建物種別 = マンション
- 72. 71 時間に余裕があれば 1. 2019年のデータを使って、賃料推定してみよう 2015年と2019年のデータではどのような違いが出るか比較する 2. Kaggleのチュートリアルにチャレンジしよう タイタニック乗客の生存予測をやってみる 時間に余裕があれば以下のうち、どちらかの課題にチャレンジしよう データを用意していますのですぐに結果がでます 精度を上げたい方はデータの前処理から行いましょう
- 74. 73 Titanic: Machine Learning from Disaster 世界中のデータ・サイエンティストが集うKaggle Competitionsのチュートリアルです https://www.kaggle.com/c/titanic
- 75. 74 オリジナルデータ train.csv PassengerId 1～891 test.csv PassengerId 892～1309 PassengerI Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked 1 0 3 Braund, Mr male 22 1 0 A/5 21171 7.25 S 2 1 1 Cumings, Mfemale 38 1 0 PC 17599 71.2833 C85 C 3 1 3 Heikkinen, female 26 0 0 STON/O2. 7.925 S 4 1 1 Futrelle, Mrfemale 35 1 0 113803 53.1 C123 S 5 0 3 Allen, Mr. Wmale 35 0 0 373450 8.05 S 6 0 3 Moran, Mr. male 0 0 330877 8.4583 Q 7 0 1 McCarthy, male 54 0 0 17463 51.8625 E46 S 8 0 3 Palsson, Mamale 2 3 1 349909 21.075 S 9 1 3 Johnson, Mfemale 27 0 2 347742 11.1333 S 10 1 2 Nasser, Mrsfemale 14 1 0 237736 30.0708 C 11 1 3 Sandstrom,female 4 1 1 PP 9549 16.7 G6 S 12 1 1 Bonnell, Mifemale 58 0 0 113783 26.55 C103 S 13 0 3 Saundercocmale 20 0 0 A/5. 2151 8.05 S 14 0 3 Andersson,male 39 1 5 347082 31.275 S 15 0 3 Vestrom, Mfemale 14 0 0 350406 7.8542 S 16 1 2 Hewlett, Mrfemale 55 0 0 248706 16 S 17 0 3 Rice, Mastemale 2 4 1 382652 29.125 Q 18 1 2 Williams, Mrmale 0 0 244373 13 S 19 0 3 Vander Planfemale 31 1 0 345763 18 S 20 1 3 Masselman female 0 0 2649 7.225 C 21 0 2 Fynney, Mrmale 35 0 0 239865 26 S 22 1 2 Beesley, Mmale 34 0 0 248698 13 D56 S 23 1 3 McGowan, female 15 0 0 330923 8.0292 Q 24 1 1 Sloper, Mr. male 28 0 0 113788 35.5 A6 S 25 0 3 Palsson, Mifemale 8 3 1 349909 21.075 S 26 1 3 Asplund, Mrfemale 38 1 5 347077 31.3875 S 27 0 3 Emir, Mr. Famale 0 0 2631 7.225 C 28 0 1 Fortune, M male 19 3 2 19950 263 C23 C25 CS 29 1 3 O'Dwyer, Mfemale 0 0 330959 7.8792 Q 30 0 3 Todoroff, Mmale 0 0 349216 7.8958 S 31 0 1 Uruchurtu, male 40 0 0 PC 17601 27.7208 C 32 1 1 Spencer, Mfemale 1 0 PC 17569 146.5208 B78 C 33 1 3 Glynn, Missfemale 0 0 335677 7.75 Q 34 0 2 Wheadon, Mmale 66 0 0 C.A. 24579 10.5 S 35 0 1 Meyer, Mr. male 28 1 0 PC 17604 82.1708 C 36 0 1 Holverson, male 42 1 0 113789 52 S 37 1 3 Mamee, Mr male 0 0 2677 7.2292 C 38 0 3 Cann, Mr. Emale 21 0 0 A./5. 2152 8.05 S PassengerI Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked 892 3 Kelly, Mr. Jmale 34.5 0 0 330911 7.8292 Q 893 3 Wilkes, Mrsfemale 47 1 0 363272 7 S 894 2 Myles, Mr. Tmale 62 0 0 240276 9.6875 Q 895 3 Wirz, Mr. Almale 27 0 0 315154 8.6625 S 896 3 Hirvonen, Mfemale 22 1 1 3101298 12.2875 S 897 3 Svensson, male 14 0 0 7538 9.225 S 898 3 Connolly, Mfemale 30 0 0 330972 7.6292 Q 899 2 Caldwell, Mmale 26 1 1 248738 29 S 900 3 Abrahim, Mrfemale 18 0 0 2657 7.2292 C 901 3 Davies, Mr. male 21 2 0 A/4 48871 24.15 S 902 3 Ilieff, Mr. Ylmale 0 0 349220 7.8958 S 903 1 Jones, Mr. male 46 0 0 694 26 S 904 1 Snyder, Mrsfemale 23 1 0 21228 82.2667 B45 S 905 2 Howard, Mrmale 63 1 0 24065 26 S 906 1 Chaffee, Mfemale 47 1 0 W.E.P. 5734 61.175 E31 S 907 2 del Carlo, Mfemale 24 1 0 SC/PARIS 27.7208 C 908 2 Keane, Mr. male 35 0 0 233734 12.35 Q 909 3 Assaf, Mr. Gmale 21 0 0 2692 7.225 C 910 3 Ilmakangas,female 27 1 0 STON/O2. 7.925 S 911 3 Assaf Khalifemale 45 0 0 2696 7.225 C 912 1 Rothschild, male 55 1 0 PC 17603 59.4 C 913 3 Olsen, Masmale 9 0 1 C 17368 3.1708 S 914 1 Flegenheimfemale 0 0 PC 17598 31.6833 S 915 1 Williams, Mrmale 21 0 1 PC 17597 61.3792 C 916 1 Ryerson, Mfemale 48 1 3 PC 17608 262.375 B57 B59 BC 917 3 Robins, Mr. male 50 1 0 A/5. 3337 14.5 S 918 1 Ostby, Missfemale 22 0 1 113509 61.9792 B36 C 919 3 Daher, Mr. male 22.5 0 0 2698 7.225 C 920 1 Brady, Mr. Jmale 41 0 0 113054 30.5 A21 S 921 3 Samaan, Mrmale 2 0 2662 21.6792 C 922 2 Louch, Mr. male 50 1 0 SC/AH 308 26 S 923 2 Jefferys, Mmale 24 2 0 C.A. 31029 31.5 S 924 3 Dean, Mrs. female 33 1 2 C.A. 2315 20.575 S 925 3 Johnston, Mfemale 1 2 W./C. 6607 23.45 S 926 1 Mock, Mr. Pmale 30 1 0 13236 57.75 C78 C 927 3 Katavelas, Mmale 18.5 0 0 2682 7.2292 C 928 3 Roth, Miss. female 0 0 342712 8.05 S 929 3 Cacic, Missfemale 21 0 0 315087 8.6625 S Target(目的変数) 訓練用データ ：train.csv （titanic_train.csv） テスト用データ ：test.csv （titanic_test.csv） 正解データ ：gender_submission.csv （titanic_survive.csv） 使用するデータのファイル名は 便宜的に変更しています
- 76. 75 タイタニック号の乗客者リスト（学習用） PassengerI Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked 1 0 3 Braund, Mr male 22 1 0 A/5 21171 7.25 S 2 1 1 Cumings, Mfemale 38 1 0 PC 17599 71.2833 C85 C 3 1 3 Heikkinen, female 26 0 0 STON/O2. 7.925 S 4 1 1 Futrelle, Mrfemale 35 1 0 113803 53.1 C123 S 5 0 3 Allen, Mr. Wmale 35 0 0 373450 8.05 S 6 0 3 Moran, Mr. male 0 0 330877 8.4583 Q 7 0 1 McCarthy, male 54 0 0 17463 51.8625 E46 S 8 0 3 Palsson, Mamale 2 3 1 349909 21.075 S 9 1 3 Johnson, Mfemale 27 0 2 347742 11.1333 S 10 1 2 Nasser, Mrsfemale 14 1 0 237736 30.0708 C 11 1 3 Sandstrom,female 4 1 1 PP 9549 16.7 G6 S 12 1 1 Bonnell, Mifemale 58 0 0 113783 26.55 C103 S 13 0 3 Saundercocmale 20 0 0 A/5. 2151 8.05 S 14 0 3 Andersson,male 39 1 5 347082 31.275 S 15 0 3 Vestrom, Mfemale 14 0 0 350406 7.8542 S 16 1 2 Hewlett, Mrfemale 55 0 0 248706 16 S 17 0 3 Rice, Mastemale 2 4 1 382652 29.125 Q 18 1 2 Williams, Mrmale 0 0 244373 13 S 19 0 3 Vander Planfemale 31 1 0 345763 18 S 20 1 3 Masselman female 0 0 2649 7.225 C 21 0 2 Fynney, Mrmale 35 0 0 239865 26 S 22 1 2 Beesley, Mmale 34 0 0 248698 13 D56 S 23 1 3 McGowan, female 15 0 0 330923 8.0292 Q 24 1 1 Sloper, Mr. male 28 0 0 113788 35.5 A6 S 25 0 3 Palsson, Mifemale 8 3 1 349909 21.075 S 26 1 3 Asplund, Mrfemale 38 1 5 347077 31.3875 S 27 0 3 Emir, Mr. Famale 0 0 2631 7.225 C 学習用のデータセット このデータをディープラーニングで使用するための前処理を行います 欠損 列挙型 Target(目的変数)
- 77. 76 加工した学習用データ 3 22 0 1 0 7.25 7 0 1 38 1 1 0 71.2833 2 1 3 26 1 0 0 7.925 7 1 1 35 1 1 0 53.1 2 1 3 35 0 0 0 8.05 7 0 3 32 0 0 0 8.4583 7 0 1 54 0 0 0 51.8625 4 0 3 2 0 3 1 21.075 7 0 3 27 1 0 2 11.1333 7 1 2 14 1 1 0 30.0708 7 1 3 4 1 1 1 16.7 7 1 1 58 1 0 0 26.55 2 1 3 20 0 0 0 8.05 7 0 3 39 0 1 5 31.275 7 0 3 14 1 0 0 7.8542 7 0 2 55 1 0 0 16 7 1 3 2 0 4 1 29.125 7 0 2 32 0 0 0 13 7 1 3 31 1 1 0 18 7 0 3 37 1 0 0 7.225 7 1 2 35 0 0 0 26 7 0 2 34 0 0 0 13 3 1 3 15 1 0 0 8.0292 7 1 1 28 0 0 0 35.5 0 1 3 8 1 3 1 21.075 7 0 3 38 1 1 5 31.3875 7 1 3 32 0 0 0 7.225 7 0 1 19 0 3 2 263 2 0 3 22 1 0 0 7.8792 7 1 3 32 0 0 0 7.8958 7 0 1 40 0 0 0 27.7208 7 0 1 37 1 1 0 146.5208 1 1 3 22 1 0 0 7.75 7 1 2 66 0 0 0 10.5 7 0 欠損を埋めたり、列挙型を整数やbool（0,1）に変更します 目的変数 survived
- 78. 77 タイタニック予測用Rスクリプト #学習用データの読み込み teachData <- h2o.importFile(path='titanic_train.csv') #DeepLearning #ハイパーパラメータを変更しながら試行錯誤してください titanic.dl <- h2o.deeplearning(x=1:7,y=8,teachData, activation="Tanh",hidden=c(200,200,200), epochs = 20) #学習モデルの保存 saved_model <- h2o.saveModel(titanic.dl , path = 'titanic_model', force = TRUE) #テストデータの読み込み testData<-h2o.importFile(path='titanic_test.csv') model <- h2o.loadModel(saved_model) prediction <- h2o.predict(model,testData) prediction.df <- as.data.frame(prediction) #生存データの読み込み survive <- h2o.importFile(path='titanic_survive.csv') # 予測結果を結合する predData <- cbind(as.data.frame(survive), prediction.df) write.table(as.data.frame(predData), file="titanic_data¥¥titanic_prediction.csv", row.names=F, col.names=F,sep=',') ‘titanic_train.csv’ ‘titanic_test.csv’ ‘titanic_survive.csv’ プリセットしています “titanic_data¥titanic_prediction.csv”に結果が保存されます このスクリプトを実行すると学習から予測まで一気に処理します！
- 79. 78 予測結果 PassengerId survived predict 892 0 0.091084 893 1 0.384977 894 0 -0.04692 895 0 0.155006 896 1 0.419167 897 0 0.270391 898 1 0.604003 899 0 -0.03481 900 1 0.774943 901 0 -0.00742 902 0 0.111741 903 0 0.027322 904 1 1.046642 905 0 -0.00789 906 1 0.961012 907 1 0.92628 908 0 0.028732 909 0 0.196395 910 1 0.464714 911 1 0.324167 912 0 0.103 913 0 0.720229 914 1 0.901949 915 0 0.160242 916 1 0.822221 917 0 -0.0448 918 1 1.07005 919 0 0.184429 920 0 0.364773 921 0 -0.05209 922 0 -0.04701 923 0 -0.0412 924 1 0.286397 925 1 0.265927 926 0 0.521075 927 0 0.218412 928 1 0.711104 929 1 0.723459 930 0 0.172438 931 0 0.368398 932 0 0.009988 933 0 0.487505 934 0 0.049933 935 1 0.974204 936 1 0.948209 937 0 0.167457 予測結果 予測結果（predict）を単純に四捨五入した値を 正解（survived）と比較した正解率は約90% 実はDeepLearningのパラメータ設定を変更することよりも データの前処理の段階で生死にかかわる要因を取捨選択・ 加工することが非常に重要