機械学習 (ML)。アルゴリズムを使用した数学的モデルのトレーニング ニューラルネットワーク 回帰および分類方法

ニューラル ネットワークは、人間の脳の機能を模倣する機械学習/深層学習アルゴリズムの一種です。これらは、互いに接続し、活性化関数を通じて相互作用する複数のニューロン層で構成されています。ニューラル ネットワークは、入力層 (入力としてのデータ)、隠れ層 (データを処理する人工ニューロンを含む)、および出力層 (処理されたデータから出力を生成する) を使用します。ニューラル ネットワーク アルゴリズムは教師あり学習アルゴリズムのカテゴリに分類され、連続 (回帰) 出力変数とカテゴリカル (分類) 出力変数の両方を予測するために使用されます。当社のソフトウェアのこの機能により、幅広いユーザーが機械学習テクノロジーにアクセスできるようになります。

回帰分析用の数学モデルとニューラル ネットワーク アルゴリズムによる予測を作成するための構造化スプレッドシート ファイルの例をダウンロードできます。 XLSX そして分類のために XLSX 。

テーブル ファイルの構造化データはインポートに使用できます。 Excel ワークブック (*.xlsx)。 Excel バイナリ ワークブック (*.xlsb); OpenDocument スプレッドシート (*.ods)。

どこで使われているのでしょうか？

ニューラル ネットワーク手法を使用したデータ分析は、次の場合に使用できます。

• 効果的な（コスト、時間、リソース）代替手段として」 実験の計画 「入力パラメータの最適なモードを検索します。
• 出力パラメータの測定手順が高価かつ/または時間のかかるテストによって実行される場合、出力パラメータの予備的または代替評価用。
• 意思決定に人的エラーのリスクが伴う場合の、専門家意思決定支援システム (DSS) 向け。

データモデルファイル

当社のソフトウェアは、他のコンピューターで作成され、ファイル (*.sav) に保存された、scikit-learn ライブラリのトレーニング済みニューラル ネットワーク数学モデルを使用できます。

入力および出力における連続量 (測定値) の回帰法によるニューラル ネットワーク

図 1. 機械学習 (ML) 機能にアクセスするためのウィンドウ。メイン メニュー項目の上にマウスを置くと、ドロップダウン メニューのリストが表示されます。

図 2. 機械学習 (ML) 関数ウィンドウ。ボタンの上にマウスを置くとツールチップが表示され、ニューラル ネットワークの機能 (回帰と分類) に移動します。

図 3. ニューラル ネットワーク手法 (回帰および分類) を使用して機械学習アルゴリズムを管理するための機能に移行するためのウィンドウ。ボタンの上にマウスを置くと、ドロップダウン ツールチップが表示され、ニューラル ネットワーク アルゴリズム (回帰) のコントロール パネルに移動します。

図4. ニューラルネットワーク法（回帰）を使用して機械学習アルゴリズムを制御する関数のウィンドウ。予測する変数が選択されます。デフォルト値は、隠れ層の数と各隠れ層のニューロンの数、反復（エポック）の数です。チェックボックスをオンにすると、モデルが適切なアプリケーション フォルダー (SCCPython\resources\Model_AI) に保存されます。トレーニングされた数学モデルの特性と精度指標がニューラル ネットワーク図の上に表示されます。プロット領域には、「ニューラル ネットワーク図、実際の値と予測値」のグラフが表示されます。

図5. ニューラルネットワーク法（回帰）を使用して機械学習アルゴリズムを制御する関数のウィンドウ。ニューラル ネットワークの隠れ層と各隠れ層のニューロンの数のフィールドの値が変更されました。

図6. ニューラルネットワーク法（回帰）を用いた機械学習アルゴリズムを制御する機能のウィンドウ。数学モデル評価グラフの種類のドロップダウンリストが開きます。

図7. ニューラルネットワーク法（回帰）を使用して機械学習アルゴリズムを制御する関数のウィンドウ。プロット領域には、テスト データ セットの「実際の値と予測値」のグラフが表示されます。

図 8. ニューラル ネットワークの数学的モデルの適用を制御する関数のウィンドウ (回帰)。プロット領域には、テスト データ セットの「実際の値と予測値」のグラフが表示されます。グラフの下にあるズーム ツールを使用して、グラフの X 軸をスケールして表示されるポイントの数を減らします (140 から 196 まで)。

保存されたニューラル ネットワークの数学的モデル (回帰) を含むファイルをロードし、それを予測のためにデータに適用する機能は、このページで説明されている機能と似ています。 ディシジョン ツリー (回帰) 。

インポートされたデータに、[男性、女性] などのカテゴリ値を持つ説明変数列が 1 つ以上含まれている場合、自動ワンホット エンコーディング手順が実行され、データが新しい数値コード列 [0, 1] に変換されます。ホット エンコードされたデータは、新しいシートの元の [xlsx] ファイルに保存されます。

ニューラルネットワーク（回帰）法を使用した数学モデルの精度が低い理由

1. データ量が限られている: モデルをトレーニングするためのデータ量が限られている場合、ニューラル ネットワークには正確なモデルを作成するのに十分な情報がない可能性があります。ニューラル ネットワークを高精度でトレーニングするには、多くの場合、大規模で多様なデータが必要になります。
2. 不適切なネットワーク アーキテクチャ: 適切なニューラル ネットワーク アーキテクチャを選択することが非常に重要です。選択したニューラル ネットワーク アーキテクチャが特定のデータ セットまたは回帰問題に適していない場合、モデルの精度が低下する可能性があります。より良い結果を得るには、さまざまなタイプの層、隠れユニットの数、およびネットワーク構造を実験する必要があります。
3. トレーニングが不十分: ニューラル ネットワークのトレーニングは複雑なプロセスになる可能性があり、十分な数のエポックとハイパーパラメーターの慎重な調整が必要です。モデルが十分なエポックでトレーニングされていない場合、または誤って選択されたハイパーパラメーターを使用してトレーニングされている場合、モデルの精度が低下する可能性があります。
4. 過学習: トレーニング セットが小さすぎ、モデルのパラメーターが多すぎる場合、ニューラル ネットワークで過学習の問題が発生する可能性があります。これにより、モデルの汎化能力が低下し、新しいデータの精度が低下する可能性があります。再トレーニングするときは、学習率を下げる、重みのノルムに制限を導入するなどの正則化手法を使用することをお勧めします。
5. 不適切なデータ前処理: スケーリング、正規化、外れ値の処理などの不適切なデータ前処理は、ニューラル ネットワーク モデルの精度に大きな影響を与える可能性があります。モデルをトレーニングする前に、データを注意深く分析して準備する必要があります。
6. 不均衡なデータ: データ セットに、ターゲット変数の異なる値の例が不均等な数含まれている場合、モデルの精度が低下する可能性があります。このような場合は、例の重み付け手法を適用できます。
7. データ サンプリングに関する問題: データがランダムに選択されたり、誤って選択されたりすると、モデルの精度が低下する可能性があります。回帰問題を表すデータを慎重に選択することが重要です。

連続量（測定値）を入力とし、カテゴリデータ（クラス）を出力する分類法によるニューラルネットワーク

例 1. 患者の臨床検査の結果に基づいて、病気か病気ではないかなどの診断を決定する必要があります。

例 2. 多くの特性 (プロパティ) の測定結果に基づいて、オブジェクトまたはイベントが特定のクラス (タイプ) に属するかどうかについて結論を引き出す必要があります。

図 9. ニューラル ネットワークの数学モデルのトレーニングと評価を管理する関数のウィンドウ (分類)。ボタンの上にマウスを置くと、ドロップダウン ツールチップが表示され、分類方法を使用するニューラル ネットワーク アルゴリズムのコントロール パネルに移動します。

図 10. ニューラル ネットワークの数学モデルのトレーニングと評価を管理する関数のウィンドウ (分類)。予測されたカテゴリ変数 (クラス変数) が選択されます。デフォルト値は、隠れ層の数と各隠れ層のニューロンの数、反復（エポック）の数です。チェックボックスをオンにすると、モデルが適切なアプリケーション フォルダー (SCCPython\resources\Model_AI) に保存されます。トレーニングされた数学モデルの特性と精度指標がニューラル ネットワーク図の上に表示されます。数学モデルを評価するためのグラフを含むドロップダウン リストが開きます。プロット領域には、「ニューラル ネットワーク図、実際の値と予測値」のグラフが表示されます。

図 11. 「混同行列」のグラフを使用したニューラル ネットワークの数学モデルのトレーニングと評価 (分類) を管理する関数のウィンドウ。

保存されたニューラル ネットワークの数学的モデル (分類) を含むファイルをロードし、それを予測のためにデータに適用する機能は、このページで説明されている機能と似ています。 決定木 (分類) 。

インポートしたデータに、[男性、女性] などのカテゴリ値を持つ説明変数列が 1 つ以上含まれている場合は、自動ワンホット エンコーディング手順が実行され、データが新しい数値コード化列 [0、1] に変換されます。ホット エンコードされたデータは、元の [xlsx] ファイルの新しいシートに保存されます。

ニューラルネットワーク法による数理モデル（分類）の精度が低い理由

1. データが不十分: モデルが少量のデータでトレーニングされた場合、精度が低くなる可能性があります。トレーニングに利用できるデータが多いほど、モデルの精度が高くなります。
2. 間違ったニューラル ネットワーク アーキテクチャ: 適切なニューラル ネットワーク アーキテクチャを選択することが重要です。アーキテクチャとデータまたは分類タスクを一致させないと、モデルの精度に影響を与える可能性があります。
3. 間違って選択されたハイパーパラメータ: ニューラル ネットワークには、適切に調整する必要があるハイパーパラメータが多数あります。ハイパーパラメータの選択を誤ると、モデルの精度が低下する可能性があります。
4. 間違った機能の使用: 正しく関連する機能を選択することも重要です。不適切または無関係な特徴を使用すると、分類精度が低下する可能性があります。
5. 不適切なデータ前処理: 不適切なデータ前処理は、ニューラル ネットワーク モデルの精度に影響を与える可能性があります。これには、間違ったスケーリング、正規化、または外れ値の処理が含まれる可能性があります。
6. 損失関数の間違った選択: ニューラル ネットワークの損失関数は、特定の分類タスクに適している必要があります。間違った損失関数を選択すると、モデルの精度に影響を与える可能性があります。