Kerasを用いた単回帰分析AIの実装[Python]

 

単回帰分析は機械学習や統計学において基本的な手法の一つです。回帰分析の機械学習のアルゴリズムではサイキットラーンが一般的ですが、今回はKerasを使って実装します。

〇サイキットラーンとkerasの違い

Scikit-learn（サイキットラーン）とKerasは、両方とも機械学習に関するPythonのライブラリでありながら、それぞれ異なる目的と設計思想を持っています。以下に、Scikit-learnとKerasの主な違いは・・・

・主な目的:

Scikit-learn: 主にクラシカルな機械学習アルゴリズムを提供しており、教師あり学習、教師なし学習、クラスタリング、次元削減などの機械学習タスクをサポートしています。Scikit-learnはシンプルで効果的なAPIを提供し、使いやすさが強調されています。

Keras: 主にニューラルネットワーク（ディープラーニング）の構築とトレーニングに特化しています。TensorFlowやTheanoなどのバックエンドを使用し、高レベルの抽象化を提供してディープラーニングモデルを構築することができます。

・APIの抽象度:

Scikit-learn: 汎用的で統一されたAPIを提供しており、同じインターフェースでさまざまな機械学習モデルを扱うことができます。これにより、モデルの切り替えが容易であり、機械学習の基礎を学ぶのに適しています。

Keras: ニューラルネットワークを構築するための高レベルの抽象化を提供しており、シンプルかつ柔軟な構文を備えています。これにより、ディープラーニングに焦点を当てることができます。

・対応しているモデルの種類:

Scikit-learn: 主に古典的な機械学習アルゴリズムに焦点を当てており、サポートされているモデルには線形回帰、ランダムフォレスト、SVM、k-NNなどが含まれます。

Keras: ディープラーニングモデルの構築に特化しており、畳み込みニューラルネットワーク（CNN）、リカレントニューラルネットワーク（RNN）、トランスフォーマーなど、ディープラーニングの最新のモデルに対応しています。

・柔軟性と拡張性:

Scikit-learn: シンプルで使いやすいため、初学者に適しています。ただし、柔軟性がやや制限されており、ディープラーニングなど一部の高度な機能は提供していません。

Keras: 高い柔軟性を持ち、複雑なモデルやカスタム損失関数、カスタムレイヤーの追加などが可能です。ディープラーニングにおいて広範な機能を提供しています。

どちらも異なる使用ケースや学習の段階に適しており、プロジェクトの要件に応じて選択することが一般的です。Scikit-learnは機械学習の基礎を学ぶのに適しており、Kerasはディープラーニングに焦点を当てたい場合に有用です。

では、kerasをつかって単回帰分析を行っていきます。

〇kerasでの単回帰分析の実装

1. 必要なライブラリのインポート:

まず最初に、必要なライブラリをインポートします。

from keras.models import Sequential

from keras.layers import Dense

import numpy as np

import matplotlib.pyplot as plt

2. データの生成:

次に、単回帰分析のためのデータを生成します。ここでは、ランダムなデータを生成し、それに対して線形な関係を持たせます。

# 仮のデータ生成

X = np.random.rand(100, 1)  # 特徴（入力）

y = 2 * X + 1 + 0.1 * np.random.randn(100, 1)  # 目標（出力）：線形な関係にノイズを加える

3. モデルの構築:

モデルを構築します。ここでは、1つの入力層と1つの出力層を持つ簡単なニューラルネットワークを使用します。

# モデルの構築

model = Sequential()

model.add(Dense(units=1, input_dim=1))  # 入力層と出力層を結ぶ全結合層

4. モデルのコンパイル:

モデルをコンパイルします。平均二乗誤差（Mean Squared Error）を損失関数として、確率的勾配降下法（SGD）をオプティマイザとして使用します。

# モデルのコンパイル

model.compile(optimizer='sgd', loss='mse')

5. モデルの訓練:

fitメソッドを使用してモデルを訓練します。エポック数やバッチサイズなどを調整しながら訓練を進めます。

# モデルの訓練

 model.fit(X, y, epochs=100, verbose=1)

6. 結果の可視化:

最後に、学習結果を可視化します。データと学習によって得られた予測結果をグラフに描画してみましょう。

# 学習データと予測結果の可視化

plt.scatter(X, y, label='Training Data')

plt.plot(X, model.predict(X), color='red', label='Prediction')

plt.xlabel('Input')

plt.ylabel('Output')

plt.legend()

plt.show()

〇コードをまとめると・・・

from keras.models import Sequential

from keras.layers import Dense

import numpy as np

import matplotlib.pyplot as plt

X = np.random.rand(100, 1)  # 特徴（入力）

y = 2 * X + 1 + 0.1 * np.random.randn(100, 1)  # 目標（出力）：線形な関係にノイズを加える

model = Sequential()

model.add(Dense(units=1, input_dim=1))  # 入力層と出力層を結ぶ全結合層

model.compile(optimizer='adam', loss='mse')

model.fit(X, y, epochs=100, verbose=1)

ここまでで、単回帰分析の実装は終わりです。

ポイントとしては、

・Denseのユニット数をあまり増やさないこと

・活性化関数は使わない

・できるだけシンプルにする

です。

〇まとめ

この記事では、Kerasを使用して単回帰分析を行う手順を紹介しました。Kerasを活用することで、機械学習の基本的な手法を簡単に実装することができます。データやモデルの複雑さに応じて手法を調整し、様々な機械学習プロジェクトに応用してみてください。