丹羽の卒論日誌の履歴(No.11)

丹羽の卒論日誌

 https://www.str.ce.akita-u.ac.jp/~gotouhan/aono/a.txt

python
6月
- 6/2
5月
- 5/29
- 5/28
- 5/27
- 5/25
- 5/21
- 5/20
データの比率に違いがあることで起きる問題
- 5/18

python†

PEP 668 以降は、「pip install 〜は仮想環境の中で行う」が前提条件になった．
仮想環境の設定は以下
```
python3 -m venv .venv(最初のみ)
source .venv/bin/activate　←仮想環境に入る
これでpip installができる
deactivate ←仮想環境から出る
```
コマンドの表示と実行 →python:インタープリターを選択 →VSコードでも仮想環境に入ることができる

6月†

6/2†

今回は自分の手書きの数字４に線や点などの障害物を加えたときに，うまく４と判別できるか試してみる．さらに新たに確信率というものを加えた．確信度とは，モデルが数字を判断するにあたってどれくらいの自信をもって判断しているかの指標である．
たとえば自分が手書きで書いた数字６でテストした結果コレは６ですと判断したとする．一見すると正解しているので良いと思われるが，確信度が0.60，つまり60%であった場合，モデルはあまり自信ないけど多分６というように判断しているということになる．つまり，答えを出す過程がわかるのでより解像度を上げやすい．
結果：ノイズをいれても４と判断してくれた確信度は１００％と非常に良い．
テスト精度は９９．０６％と高いが，間違えているところを見ると０と６で間違えていた．←これは人間でも間違えやすい

明日やること，数字ではない図形を見てどう判断するのか見てみる．このモデルは０〜９のどれかの数字であるとしか判断することができないため，数字ではないものを見せたらどうなるのか見てみたい．

↑

5月†

↑

5/29†

昨日よりもさらに精度を上げるためにエポック数を3から10に増やした．（しかし，増やしすぎると初見データに弱くなるという過学習が生じるので注意）
結果は97．94%と上昇した．

・更に精度を上げるためにCNNに変えてみた．
　結果，テスト精度が99．07%まで，上昇した．今までlossが低くて20くらいだったが，5くらいまで下がった．

・CNN（畳み込みニューラルネットワークとは） NNの一種で画像処理に特化している．NNは画像を単なる数値として処理しているのでピクセルの並びそのものを覚えているというイメージ．したがって画像の中の対象の位置，場所にとても強いわけではない．一方でCNNは特徴を局所で見る，画像の中の対象の特徴を部品として見るので位置がちがくても対応することができる．つまり，NNは場所ごとの意味を持たないが，CNNは特徴のパターンを学んでいるため位置に強いのである．

CNNは3つの要素で構成されている．
・畳み込み層：局所的な部分の特徴を見つける．小さなフィルター（重み行列）をスライドさせ，エッジを見つける）
・プーリング層：特徴を圧縮する．画像データは大量の数値の塊である，そこで局所的な領域の行列の最大値だけを残すことで情報量を簡素化し，小さな誤差や不要な情報を排除する．
・全結合層：畳み込み＋プーリングによって得られた特徴の集合からすべての特徴を重み付きで計算して最終的な判断を下す．

↑

5/28†

MNISTというものを用いて機械学習の練習をした．
・MNISTとは

 MNISTとは、機械学習や画像認識の分野でよく使われる有名なデータセット.MNISTは、「0〜9の手書き数字画像」を集めたデータセットで、主に画像分類アルゴリズムの学習・評価に使われる~

　具体的には：
　0〜9の数字（10クラス）
　白黒の小さな画像（28×28ピクセル）
　学習用に約60,000枚、テスト用に約10,000枚
　という構成になっている．

・今回使ったモデル：ニューラルネット

・ニューラルネットが画像処理に強い理由

画像	ニューラルネット
----------	------------
点が近いと線になる	近い情報から特徴を作る
線が集まって形になる	特徴を積み上げて形になる

なので相性が良い．例えば決定木では位置や形に弱く，質問を投げるだけで法則を見つけ出すのは非常に難しい．
ニューラルネットは層に分けて画像の特徴を計算するのでうまく行きやすい．

・6万個のデータを3回学習させてできたモデルのテスト精度は96．92%と高い数値であった．

・次に自分が手書きで書いた数字「３」を学習させたモデルに見せてちゃんと３と判別するのか試してみる． http://www.str.ce.akita-u.ac.エポック数jp/~gotouhan/python/mnist_ai/3.png

結果は３とでて，当てることに成功した．テスト精度は97．22%だった．

↑

5/27†

・欠損値が欠けているとき，そのデータが時系列データのとき，欠損値の穴埋めは線形補間が有効．時系列データには「相互に依存する」という特徴があるため欠損値の前後の値をもとに欠損値を予測することは非常に有効．
・前処理の段階で，欠損値を予測するために機械学習を行うのも有効．

↑

5/25†

・axis=0 → 縦方向（行をまたぐ）
・axis=1 → 横方向（列をまたぐ）

・前回まではホールドアウト法によってデータをテストデータと訓練データに分割したが，トライ&エラーを繰り返しているうちにテストデータに都合がいいようにチューニングしていると言える．

→したがってこの問題に対処するために，
　①学習に使用するデータ
　②学習には使用せずにチューニングの参考に使用するデータ
　③チューニングを行った最終的な学習済みモデルに対して予測性能を評価するためのテストデータ
　の3つに分割する．

・使用する特徴量を絞り込む際，はずれ値をチェックしてから，相関係数をチェック．理由はこの順番を逆で行うと相関係数が外れ値の影響を受けてしまうから．

・重回帰分析ではAIによってつくられた計算式の係数の大きさでそれらの特徴量の影響度を比較するが影響度が大きいとはいえ，その特徴量を１増やす労力が非常に大変で結果，係数は小さいがその特徴量のほうが影響を出しやすいという場合が存在する．

↑

5/21†

model = tree.DecisionTreeClassifier(max_depth = 5,
random_state = 0,class_weight ='balanced')

は不均衡データで比率の大きいデータの影響力を小さくし，比率の小さいデータの影響力を大きくするため分岐条件を考える際の影響度という点で均一になり，予測性能の高いモデルを作れる確率が上がる．

昔の pandas は：

mean()

すると文字列列を自動無視してくれました。

今の pandas は：

「文字列があるならエラーにする」

という仕様になっています。

今後のコツ

groupby().mean() を使うときは、

['Age'] ['Fare'] ['Survived']

みたいに、

「どの数値列を平均するか」

を明示すると安全です。

決定木を深くするということはたくさんの分岐条件を設定することができる
→モデルの構成がより複雑になる
→予測性能が上がるわけではない．
複雑なモデルであればあるほど訓練データの予測性能は上がるが一方でテストデータでの予測性能は低くなるという減少が起こる．この現象を過学習という．

このような現象が起こる理由：
構造が複雑であればあるほど，訓練データだけに当てはまる条件まで考慮してしまうから．

過学習は決定木の場合は木の深さを増やしすぎる，重回帰の場合は特徴量の列を増やしすぎると起こりやすいことが知られている．

過学習を起こさずにモデルの予測性能を上げる一般的な方法：
・データ数を増やす
・データの前処理の仕方を変える
・モデルの学習時の設定を変える
・そもそもの分析方法を変える