1.
○○でかんたん
お部屋探し！
Tokyo.R #49 LT
@soultoru

2.
賃貸物件探しを
統計/MLで
やってみた

3.
先行している
方々がいるよ

4.
課題

5.
部屋の床面積
賃料
妙に安い
回帰直線
(理論価格)

6.
割安な物件
=ボロの可能性

7.
安いのは嬉しい
けどボロは嫌

8.
ボロ物件に
ありがちなもの
...

9.
和式便所

10.
和式便所を
Deep Learning
で分類すれば
いい！

11.
Deep Learning
でかんたん
お部屋探し！
和式便所探し！

12.
手順

13.
1.
便所画像の収集
(手動)

14.
ここでは、
和式便所
洋式便所
洗面台を集取

15.
2.
画像サイズを
揃える
(ImageMagick)

16.
# インストール
sudo apt-get install imagemagick
# 対象のディレクトリに移動
cd washiki
# すべて100x100に上書き変換
mogrify -geometry 100x100! *.jpg
cd ../youshiki
mogrify -geometry 100x100! *.jpg
cd ../senmen
mogrify -geometry 100x100! *.jpg

17.
3.
画像を
グレースケール
に変換

18.
library(raster)
as.grayscale.array <- function(file, flag){
# 画像サイズ変換はImageMagick等で行っておく
image <- brick( file )
# 画像をRGBの配列に変換
image.rgb <- getValues(image)
# グレースケールの配列に変換
image.bw <- image.rgb[,1]*0.21 +
image.rgb[,2]*0.72 + image.rgb[,3]*0.07
return( c(flag, image.bw) )
}

19.
4.
和式便所に
フラグをつけて
h2oで学習

20.
# データフレーム化
washiki <- list.files('~/apps/toilet/washiki',
full.names=T)
yoshiki <- list.files('~/apps/toilet/yoshiki', full.names=T)
senmen <- list.files('~/apps/toilet/senmen', full.names=T)
target <- rbind(t(sapply(washiki, as.grayscale.array, 1)),
t(sapply(yoshiki, as.grayscale.array, 0)),
t(sapply(senmen, as.grayscale.array, 0)) )
target <- data.frame(target)
target[,1] <- as.integer(target[,1])
rownames(target) <- c(washiki, yoshiki, senmen)

21.
library('h2o')
# Deep learningで学習させる
localH2O <- h2o.init(ip = "localhost",
port = 54321,
startH2O = TRUE,
nthreads=-1)
res.dl <- h2o.deeplearning(
x = 2:10001,
y = 1,
training_frame = as.h2o(target),
activation = "TanhWithDropout",
hidden=rep(160,5),
epochs = 20)
pred.dl <- h2o.predict(object=res.dl,
newdata = as.h2o(target))
pred <- as.data.frame(pred.dl)
# 正解率を確認
print(1-sum(abs(round(pred[,1]) -
target[,1]))/length(target[,1]))

22.
Rのソース
全体

23.
library('h2o')
library(raster)
as.grayscale.array <- function(file, flag){
# 画像サイズ変換はImageMagick等で行っておく
image <- brick( file )
# 画像をRGBの配列に変換
image.rgb <- getValues(image)
# グレースケールの配列に変換
image.bw <- image.rgb[,1]*0.21 + image.rgb[,2]*0.72 + image.rgb[,3]*0.07
return( c(flag, image.bw) )
}
# データフレーム化
washiki <- list.files('~/apps/toilet/washiki', full.names=T)
yoshiki <- list.files('~/apps/toilet/yoshiki', full.names=T)
senmen <- list.files('~/apps/toilet/senmen', full.names=T)
target <- rbind(t(sapply(washiki, as.grayscale.array, 1)),
t(sapply(yoshiki, as.grayscale.array, 0)),
t(sapply(senmen, as.grayscale.array, 0)) )
target <- data.frame(target)
target[,1] <- as.integer(target[,1])
rownames(target) <- c(washiki, yoshiki, senmen)
# Deep learningで学習させる
localH2O <- h2o.init(ip = "localhost", port = 54321, startH2O = TRUE, nthreads=-1)
res.dl <- h2o.deeplearning(x = 2:10001, y = 1, training_frame = as.h2o(target), activation = "TanhWithDropout",
hidden=rep(160,5), epochs = 20)
pred.dl <- h2o.predict(object=res.dl, newdata = as.h2o(target))
pred <- as.data.frame(pred.dl)
# 正解率を確認
print(1-sum(abs(round(pred[,1]) - target[,1]))/length(target[,1]))

24.
実行結果

25.
精度 0.86

26.
意外といい

27.
だが

28.
洗面台を
和式便所と分類
してしまう...

29.
Enjoy!