データ間の関係の学習

2016年3月14日

はじめに

Python によりニューラルネットなどを用いて、データ間の関係の学習を行ってみた。

環境

• Windows 7 64 bit
• MSYS2 64 bit (MinGW w64)
• Anaconda for Windows (Python 2.7)

※MinGW にも Python が入っているので、Anaconda のほうを使うようにパスを設定している。

データ間の関係の学習

Python により、データ間の関係の学習を行ってみた。ここでは Jupyter Notebook を用いた。

• PyBrain による XOR の学習 (pybrain_xor.ipynb.gz)
  PyBrain はニューラルネットによる学習が行えるモジュールである。ここではまず簡単な XOR (排他的論理和) の学習を行ってみた。
• 学習データの作成 (create_data.ipynb.gz)
  以下で用いるための学習データの作成。
• PyBrain による複雑なデータの学習 (pybrain_test.ipynb.gz)
  PyBrain による上記学習データの学習。時間がかかる上にちゃんと学習してくれない。やむなくデータを間引き、学習を途中で打ち切って妥協。
• PyBrain による複雑なデータの学習 (2) (pybrain_test2.ipynb.gz)
  PyBrain による学習のリベンジ。学習中に教師データを変えていけば、あまり時間をかけずにそこそこの結果が得られる。
• R のニューラルネットパッケージの利用 (pyper_test.ipynb.gz)
  邪道な気がするが、R のニューラルネットパッケージ nnet を Python から利用してみた。PyBrain より学習が速い上にきちんと学習してくれる。
• scikit-learn (sklearn) による学習 (SVM) (sklearn_test-svm.ipynb.gz)
  scikit-learn のサポートベクトルマシンによる学習。結果は微妙。
• scikit-learn (sklearn) による学習 (KNN) (sklearn_test-knn.ipynb.gz)
  scikit-learn の k 最近傍法による学習。結果はまあまあよい。

まとめ

• PyBrain は実用的な問題に適用するには工夫がいりそう。
• R のニューラルネットはよさそうだが、あまり細かいことはできない。
• scikit-learn を使うのもよいかもしれない。