이것은 심층 학습 이외의 기계 학습 및 응용 기술 by QuantumCore Advent Calendar 2019의 9 일째 기사입니다.

소개

안녕하세요, @saitoxu입니다.
이 글에서는 QoreSDK 을 사용한 간단한 회귀 작업 방법을 설명합니다.
그건 그렇고, 시계열 분석 주위에 지식이 많지 않으므로 뭔가 잘못 될 수 있다면 (부드럽게) 의견으로 말씀해주십시오.

QoreSDK를 사용한 회귀 작업

이번에는 정현파(sine)의 예측을 해보겠습니다.
다음과 같이 sin 함수로부터 생성되는 시계열 데이터의 일부를 학습시켜, 미래의 시각의 sine의 값을 예측시키는 태스크입니다.

데이터 준비

먼저 sine 웨이브 데이터를 준비합니다.

# sine波の長さ
t_length = 1000
# 分割するときのサイズ
t_width = 400

train_x = np.arange(t_length)
# 平均がsin(x), 分散0.1の正規分布に従う配列を生成
train_y = np.random.normal(np.sin(2 * np.pi * train_x / 100), 0.1)
x = []
y = []
for i in range(len(train_x) - t_width):
    x.append(train_y[i:i + t_width])
    y.append(train_y[i + t_width])

x = np.array(x)
y = np.array(y)

# 学習データとテストデータに分割
X_train = x[0:((t_length - t_width) // 2)]
X_test = x[((t_length - t_width) // 2):]
y_train = y[0:((t_length - t_width) // 2)]
y_test = y[((t_length - t_width) // 2):]

print(X_train.shape) # (300, 400)
print(X_test.shape) # (300, 400)

여기서는 다음을 수행합니다.

길이 t_length의 sin 파를 생성

그것을 길이 t_width 의 부분파로 분할

t_length - t_width 개별 파도가 가능하기 때문에 학습 데이터와 테스트 데이터로 분할

plt.plot(X_train[0]) 등으로 하면, 다음과 같은 시계열 데이터가 생성되고 있는 것을 알 수 있습니다.
또한 y_train 에는 X_train 의 마지막 시간 $t$ 의 다음 시간 $t+1$ 의 값이 들어 있습니다.

전처리

전처리, 라고 해도 특별한 것은 없습니다만, QoreSDK의 학습 함수의 입력이 (サンプル数, 時系列長, 変量数)이므로 그렇게 데이터를 변환합니다.

# 2次元配列だったのを3次元配列にしてるだけ
X_train = X_train.reshape([(t_length - t_width) // 2, t_width, 1])
X_test = X_test.reshape([(t_length - t_width) // 2, t_width, 1])

부정맥 검출 샘플 그럼 qore_sdk.featurizer 모듈 과 qore_sdk.utils 모듈 변환하고 있습니다.

학습

회귀 작업이므로 후술 의 regression_train 함수를 사용합니다.

client = WebQoreClient('username', 'password', endpoint='endpoint')
res = client.regression_train(X_train, y_train)
print(res) # {'res': 'ok', 'train_time': 6.9450061321258545}

username , password , endpoint 는 자신의 것으로 변경하십시오.
대체로 10초도 있으면 완료합니다.

예측과 평가

학습한 모델을 사용하여 테스트 데이터를 예측해 봅니다.

res = client.regression_predict(X_test)

예측값과 정답 데이터를 플롯해 보면 다음과 같이 됩니다.

plt.plot(res['Y'], figure=plt.figure(figsize=(12.8, 4.8))) # 予測値(青)
plt.plot(y_test) # 正解(オレンジ)

qore_sdk.client 모듈

대체로 올바르게 예측할 수 있는 것을 알았습니다.
덧붙여서 다음의 함수를 준비해, 테스트 데이터 이후의 값도 예측해 보겠습니다.

# n個先の時刻の予測を行う
def predict(n):
    # X_test[-1]が最後の時刻のデータ
    data = X_test[-1].reshape(t_width)
    for _ in range(n):
        res = client.regression_predict([data[len(data) - t_width:]])
        data = np.append(data, res['Y'][0])
    return data[len(data) - n:]

실제로 사용해 봅시다.
100개 앞의 시간까지 예측하여 결과를 플롯해 봅니다.

result = predict(100)
plt.plot(result)

일단 sine 같은 모양이 되었습니다.
그건 그렇고, 이것은 Qore의 API 서버에 부담을 줄 것이므로 $ n $은 작은 값으로 시도해야합니다.

Featurizer를 사용했지만 작동하지 않았습니다.

다음과 같이 Qore의 Featurizer를 사용하여 데이터를 입력용 배열로 변환했는데, 이번 작업에서는 잘 학습되지 않았습니다.

width = 144
stepsize = 36
n_filters = 40

# ここで(サンプル数, 時系列長, 小時系列長)の配列を作成
X_train = sliding_window(X_train, width, stepsize)
X_test = sliding_window(X_test, width, stepsize)
print('X_train.shape:', X_train.shape)
print('X_test.shape:', X_test.shape)

# (サンプル数, 時系列長, 変量数)の配列に変換(Qoreへの入力となる)
featurizer = Featurizer(n_filters)
X_train = featurizer.featurize(X_train, axis=2)
X_test = featurizer.featurize(X_test, axis=2)
print(X_train.shape)
print(X_test.shape)