![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
概要 †numpyを使用した重回帰分析 や scikit-learnを使用した重回帰分析 で実装した賃貸価格の推論と同じ事を Chainer を使用してやってみる。 目次 †実装 †import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import chainer
import chainer.links as L
import chainer.functions as F
from chainer import Chain, Variable
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
class MyModel(Chain):
def __init__(self):
super().__init__(
l1=L.Linear(2, 1)
)
def __call__(self, x):
return self.l1(x)
# 学習率、学習回数
alpha = 0.01
iter_num = 1000
# データ読み込み
data = np.loadtxt("data/sample_rent1.csv", delimiter=",", skiprows=1)
x = data[:, 1:3].astype("float32") # 広さ, 築年数
t = data[:, 3:4].astype("float32") # 家賃
# 訓練データとテストデータに分割
x_train, x_test, t_train, t_test = train_test_split(x, t, test_size=0.3, random_state=0)
# 標準化用
scaler = StandardScaler()
scaler.fit(x)
# モデルのインスタンス化
net = MyModel()
optimizer = chainer.optimizers.SGD(lr=alpha) # 最適化手法には確率的勾配降下法 (SGD) を利用
optimizer.setup(net)
# ログの保存用
loss_history = []
# 精度向上の可視化用に任意の1レコードをサンプルとして抽出
x_sample = np.array([[60, 10]]).astype("float32")
sample_history = []
print("## サンプル ... 広さ: {}��, 築年数: {}年 ##".format(x_sample[0,0], x_sample[0,1]))
for epoch in range(iter_num):
# 正規化(標準化)
x_train_scaled = scaler.transform(x_train)
x_test_scaled = scaler.transform(x_test)
# モデルの訓練
y_train = net(x_train_scaled)
# 精度を計算
loss = F.mean_squared_error(y_train, t_train) # 平均二乗誤差
loss_history.append(loss.item())
# 勾配のリセットと勾配の計算
net.cleargrads()
loss.backward()
# パラメータの更新
optimizer.update()
# サンプルデータの推論
with chainer.using_config('train', False), chainer.using_config('enable_backprop', False):
# chainer.using_config('train', False) ... 対象のデータを使用した訓練を行わない
# chainer.using_config('enable_backprop', False) ... 計算グラフの構築を行わない
x_sample_scaled = scaler.transform(x_sample)
y_sample = net(x_sample_scaled)
sample_history.append(y_sample.item())
# 100件ごとにサンプルの推論結果 及び 精度を表示
if (epoch + 1) % 100 == 0:
print("## {}: loss: {}, sample_result: {} ##".format(epoch + 1, loss.item(), y_sample.item()))
print("## 訓練済みネットワークを使用して任意の値を推論してみる ##")
with chainer.using_config('train', False), chainer.using_config('enable_backprop', False):
#x_tmp = x_test[:5]
x_tmp = np.array([[60.0, 10.0],[50.0, 10.0],[40.0, 10.0]]).astype("float32")
y_tmp = net(scaler.transform(x_tmp))
[print("広さ: {:.1f}��, 築年数: {}年 => 家賃: {:.1f}万円".format(x_tmp[i,0], x_tmp[i,1], y_tmp.array[i,0])) for i in range(x_tmp.shape[0])]
# 訓練済みネットワークの保存
chainer.serializers.save_npz('sample1.net', net)
# 訓練済みネットワークの利用
#loaded_net = MyModel()
#chainer.serializers.load_npz('sample1.net', loaded_net)
#with chainer.using_config('train', False), chainer.using_config('enable_backprop', False):
# y_test = loaded_net(x_test)
# 日本語フォントを利用可能にしておく
plt.rcParams['font.sans-serif'] = ['Hiragino Maru Gothic Pro', 'Yu Gothic', 'Meirio', 'Takao', 'IPAexGothic', 'IPAPGothic', 'Noto Sans CJK JP']
#fig = plt.figure()
fig = plt.figure(figsize=(10, 5))
x1 = fig.add_subplot(1, 2, 1)
x1.set_title("訓練回数毎の精度")
x1.plot(loss_history)
x1.set_xlabel("学習回数")
x1.set_ylabel("精度(Loss)")
x1.grid(True)
x2 = fig.add_subplot(1, 2, 2)
x2.set_title("広さ: 60 築年数: 10年の場合の家賃")
x2.set_xlabel("学習回数")
x2.set_ylabel("家賃")
x2.plot(sample_history)
x1.grid(True)
plt.show()
結果 †numpyを使用した重回帰分析 や scikit-learnを使用した重回帰分析 の結果とほぼ同じ。 ## サンプル ... 広さ: 60.0��, 築年数: 10.0年 ## ## 100: loss: 1.2375797033309937, sample_result: 6.949620246887207 ## ## 200: loss: 0.5576881170272827, sample_result: 7.930976867675781 ## ## 300: loss: 0.5441631078720093, sample_result: 8.066993713378906 ## ## 400: loss: 0.5438786745071411, sample_result: 8.086057662963867 ## ## 500: loss: 0.5438722372055054, sample_result: 8.088766098022461 ## ## 600: loss: 0.5438721179962158, sample_result: 8.089155197143555 ## ## 700: loss: 0.5438721179962158, sample_result: 8.08920669555664 ## ## 800: loss: 0.5438721179962158, sample_result: 8.089208602905273 ## ## 900: loss: 0.5438721179962158, sample_result: 8.089208602905273 ## ## 1000: loss: 0.5438721179962158, sample_result: 8.089208602905273 ## ## 訓練済みネットワークを使用して任意の値を推論してみる ## 広さ: 60.0��, 築年数: 10.0年 => 家賃: 8.1万円 広さ: 50.0��, 築年数: 10.0年 => 家賃: 7.2万円 広さ: 40.0��, 築年数: 10.0年 => 家賃: 6.2万円
|
sample_rent1_chainer.png