IoT キットハンズオン解説 (Azure ML Studio 編) Part3 分類分析
-
Upload
yoshitaka-seo -
Category
Technology
-
view
38 -
download
0
Transcript of IoT キットハンズオン解説 (Azure ML Studio 編) Part3 分類分析
Techfair.jp 2017年3月2017年3月4日
瀬尾佳隆 (@seosoft)Microsoft MVP for Windows Dev
IoT キットハンズオン解説(Azure ML Studio 編)
#3 分類分析
おことわり
本資料は、2017年3月4日時点の内容です
Slideshare 公開した 2018年1月時点では一部古い内容を含んでいることがありますが、記録・参考として公開します
自己紹介
瀬尾佳隆 (せおよしたか)•MVP for Windows Development• http://yseosoft.wordpress.com/• 乃木坂46 / 欅坂46 と仏像 / 屏風絵が好き
Techfair 主宰 (http://techfair.jp/)
Cogbot コミュニティ スタッフ
この資料の特徴
センサーデータの形式はハンズオンと同じもの•ただし、CSV ファイルを Dataset として使います
開発する学習モデルはハンズオンとは別のもの•機械学習の基本的な考え方•ML Studio の操作方法
を理解することを目的とします
#1 共通手順 を先に実施してください
共通手順は本資料では説明していません• http://bit.ly/mlhol_1_20161203
“20161203” ですごめんなさい
分類分析モデル(二値)の作成パラメーターから、どれに分類されるかを予測する~重力加速度から、温度が高いか/低いかを予測~
モデリングの流れ
1 データ入力 Saved Datasets, Data Input and Output
2 データ加工 Data Transformation
3 初期モデルの決定 Machine Learning – Initialize Model
4 学習モデルの作成 Machine Learning - Train
5 学習結果の測定 Machine Learning – Score
6 評価用データを予測 Machine Learning – Evaluate
7 未来を予測 Web Service
2.データ加工 の続き学習に適した形に編集する
※ #1 共通手順の続き
2.データ加工~列追加 (1/5)“temp” 列に対して、
特定の温度より高いか低いかを表す列を追加
2.データ加工~列追加 (2/5)
なぜ 28.5度なのか?は、あとで・・・
2.データ加工~列追加 (3/5)
対象の列は “temp” のみ
2.データ加工~列追加 (4/5)列を追加するので
Output Mode は “Append”
2.データ加工~列追加 (5/5)
参考)なぜ 28.5度なのか?
※この資料を作るにあたり、いくつかの値を試してみて一番 “ハンズオン” っぽい
結果になったから・・・
2.データ加工~列削除 (1/2)
“temp” 列は不要になったので削除
2.データ加工~列削除 (2/2)
2.データ加工~データ分離 (1/1)
学習用データと評価用データとに分ける
3.初期モデルの決定 ~4.学習モデルの作成機械学習の本体
3.初期モデルの決定Two-Class Decision Forest
4.学習モデルの作成 (1/2)
予測対象の列を指定
4.学習モデルの作成 (1/2)
5.学習結果の測定 ~6.評価用データを予測学習モデルの成績を数値化する
5.学習結果の測定 (1/4)Score Model
5.学習結果の測定 (2/4)
“Run selected” してから “Visualize”
5.学習結果の測定 (3/4)
5.学習結果の測定 (4/4)
パラメーターと予測値との関係
6.評価用データを予測 (1/3)
Evaluate Model を置き、“Run selected” してから “Visualize”
6.評価用データを予測 (2/3)
予測精度を確認
6.評価用データを予測 (3/3)
7.未来を予測Web Service を作成して、学習したモデルを実際に使ってみる
7.未来を予測~サービス化 (1/4)
Web サービスを作るために、全体を “Run”
7.未来を予測~サービス化 (2/4)
Web サービス用 Experiment を自動生成
7.未来を予測~サービス化 (3/4)
自動生成された Experiment を修正
7.未来を予測~サービス化 (4/4)編集が終わったら “Run selected” して、
Web サービスをデプロイ
7.未来を予測~サービス利用 (1/10)
Web サービス管理画面
7.未来を予測~サービス利用 (2/10)
Web サービスを利用して予測
7.未来を予測~サービス利用 (2/10)
予測結果
#2 を参考に、Excel 利用も
他の学習モデル
グループ化
(復習)回帰分析
どちらの学習モデルも、#1 共通手順を先に実施
今回の資料
機械学習と Azure ML Studio の基本 (この資料)• http://bit.ly/mlstudio20161203
IoTキットハンズオン解説 (ML Studio パート) #1 共通手順• http://bit.ly/mlhol_1_20161203
IoTキットハンズオン解説 (ML Studio パート) #2 回帰分析• http://bit.ly/mlhol_2_20161203
IoTキットハンズオン解説 (ML Studio パート) #3 分類分析• http://bit.ly/mlhol_3_20161203
IoTキットハンズオン解説 (ML Studio パート) #4 グループ化• http://bit.ly/mlhol_4_20161203
“20161203” ですごめんなさい