Recommended
More Related Content
What's hot
Similar to 機械学習の実践を始める
Similar to 機械学習の実践を始める (20)
Recently uploaded
Recently uploaded (9)
機械学習の実践を始める
- 1. ピープルソフトウェア株式 械 の を める ⼟ ⽣ 2020年1⽉24⽇
- 4. 機械学習とは？
- 6. 関数 出力 今月の売上 入力 def get_total_sales(a, b ...): total = 100 * a + 150 * b ... return total ロジックで厳密に答えが決まる関数は、人間が書けば良い。 我々プログラマがいつも書いている関数 おにぎりA (100円) 122個 お茶B (150円) 250本 396万0687円 今月の 商品別売上 etc...
- 7. 関数入力 来月の売上 今月の 商品別売上 我々には書けない関数 出力おにぎりA 122個 お茶B 250本 413万7977円 etc... 人間が書けない関数も、機械学習なら書ける可能性がある。
- 8. 厳密なロジックは不明だが、何かしら関係は間違いなくある ・・・という場合、機械学習が使えます。 売上予測 画像分類 過去の売上 将来の売上 画像 画像のラベル 自動翻訳 英語の文章 日本語の文章
- 9. どうやって機械が関数を書くの？ サンプルデータ(入出力のペア)を 大量に集めて、学習させます。 売上予測 犬猫画像分類 月間売上データ 次月の売上 犬 or 猫の画像 タスク 入力 出力 正解ラベル 自動翻訳 英語テキスト 日本語テキスト
- 10. (3) データを学習に適した形に加工する。 (2) 使用するモデルを決定する。 (4) データをトレーニングデータと バリデーションデータに分割する。 (1) データを集める。 機械学習を行う手順 (5) トレーニングデータをモデルに食わせ、学習させる。 (6) 学習済モデルの性能を、バリデーションデータで検証する。 トレーニングデータ バリデーション データ サンプルデータ 関数を入れる箱。学習により賢くなっていく。 (7) 高い性能が得られるまで、試行錯誤しながら(1)～(6)を繰り返す。
- 21. そのために、以下の方法を用いる。 方法① 適切なサンプリングを行う 方法② サンプル数を増やす 方法④ 特徴量を整理する 方法⑤ モデルの複雑化を防ぐ 方法③ モデルの構造を工夫する
- 22. 方法① 適切なサンプリングを行う サンプルデータと未知データの分布をできるだけ近づける。 限界 未知データの分布を完璧に知ることは、当然ながら不可能。 長期的な時間経過による特徴・分布の変化は加味できない。 関東の店舗、関西の店舗、儲かっている店舗、儲からない店舗など、 色々な特徴が実際に近い分布で含まれるよう、サンプルデータを作る。 例えば、コンビニの在り方は10年後も同じだろうか？ 宅配サービス の影響等で、客層から業務内容まで少しずつ変わってしまっていると したら、今のデータで学習したモデルは全く的外れになりかねない。 効果 データの偏りが減る → 過適合を抑制 ただし、珍しい特徴を正確に捉えたい場合、その特徴のサンプルをあえ て増やすこともある。
- 24. タスク(学習したい内容)によって、使うモデルを変える。 今のタスクにどんなモデルが有効か、正確に判断するのは難し い。(結局は実験で試すしかない。) 重要な研究テーマであり、現存するモデルより適したモデルが、 今後見つかるかもしれない。(つまり、今は無いかもしれない。) 方法③ モデルの構造を工夫する 入力が時系列データ → 再帰的ニューラルネットワーク(RNN) 入力が構造化データ → 決定木モデル 限界 効果 他の方法では抽出しづらい関係を抽出できる → 過少適合を抑制 入力が画像データ → 畳み込みニューラルネットワーク(CNN) 間違った関係を抽出するリスクを抑制できる → 過適合を抑制
- 25. 出力に関係がないと思われる特徴量は捨てる。 今のタスクにどんな特徴量が有効か、専門知識があってさえ正確 に判断するのは難しい。(結局は実験で試すしかない。) 各タスクに対する専門知識が必須。一般的な解は無い。 方法④ 特徴量を整理する 限界 効果 無駄な特徴量を省く・効果の高い特徴量を増やす → ノイズが減り、 関係を学習しやすくなる → 過少適合・過適合を抑制 出力との相関(関係)が大きい特徴量に変換する。 温度・湿度・風速を別々に扱うのでなく、体感温度に変換してみる。 コンビニの売上予測ならコンビニ経営の知識が、株価の予測なら株の知 識が必要。
- 26. 色々な手法があるため、どれが今回のタスクに適するかは、試行 錯誤するしかない。 方法⑤ モデルの複雑化を防ぐ 効果 ノイズを学習する前に止められる → 過適合を抑制 複雑化しすぎると、ノイズにまで説明をつける関数になってしまう。 学習では、まず単純な関数を作り、徐々に複雑にして精度を高める。 限界 よって、一定のポイントで学習を止めるのが有効。(early stopping) 学習初期：シンプル 学習中期：現実的！ 学習後期：過適合 その他、「正則化」「ドロップアウト」など色々な手法が存在する。