データマイニング（DM）- Python - RNN のバックアップ(No.2)

バックアップ一覧
差分を表示
現在との差分を表示
ソースを表示
データマイニング（DM）- Python - RNN へ行く。
- 1 (2022-11-29 (火) 23:44:23)
- 2 (2022-11-29 (火) 23:55:39)
- 3 (2022-11-30 (水) 17:54:53)
- 4 (2022-11-30 (水) 19:56:29)
- 5 (2023-04-20 (木) 16:29:39)

「.NET 開発基盤部会 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。散布図

戻る
- CRISP-DM
- Excel
- KNIME
- Python
- Python - DL
  - Python - DNN
  - Python - RNN
  - Python - CNN

DataSet

↑

概要 †

RNN

↑

詳細 †

↑

時系列予測 †

https://github.com/AileenNielsen/TimeSeriesAnalysisWithPython/blob/master/data/AirPassengers.csv

データ

ロード

ダウンロード

url = 'https://raw.githubusercontent.com/AileenNielsen/TimeSeriesAnalysisWithPython/master/data/AirPassengers.csv'
from urllib import request
request.urlretrieve(url, './work/AirPassengers.csv')

ロード

df = pd.read_csv('./work/AirPassengers.csv')

確認

先頭
```
df.head()
```

後尾
```
df.tail()
```

列名変更
```
df.columns = ['Month', 'Passengers']
```

可視化

plt.plot(df['Passengers'])
plt.xticks(np.arange(0, 145, 12))
plt.grid()
plt.show()

基本成分に分解

from statsmodels.tsa.seasonal import seasonal_decompose
sd = seasonal_decompose(df['Passengers'].values, period=12) # periodで周期を指定
sd.plot()
plt.show()

準備

型変換

data = df['Passengers'].values.astype('f')
scale = data.max()
data /= scale

教師データ

x = data[:-1]
y = data[1:]
print('x:',len(x))
print('y:', len(y))

shape変換

print('x:', np.shape(x), ' y:', np.shape(y))
x = x.reshape(len(x), 1, 1)
y = y.reshape(len(y), 1)
print('x:', np.shape(x), ' y:', np.shape(y))

分割（ホールド・アウト法

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 0)
print('X_train:', x_train.shape)
print('X_test :', x_test.shape)
print('y_train:', y_train.shape)
print('y_test :', y_test.shape)

モデル

定義

model = Sequential()
model.add(LSTM(30, batch_input_shape=(None, 1, 1))) # 中間層が30のLSTM
model.add(Dense(1)) # 回帰なので最後の出力値は１つ

コンパイル
回帰の損失関数は誤差二乗和

model.compile(loss='mean_squared_error', optimizer=Adam())

確認
```
model.summary()
```

学習

batch_size = 20
n_epoch = 200
hist = model.fit(x_train,
                 y_train,
                 epochs=n_epoch,
                 validation_data=(x_test, y_test),
                 verbose=0,
                 batch_size=batch_size)

推論

y_pred = model.predict(x)
plt.plot(data, color='blue')  # 実測値
plt.plot(y_pred, color='red')   # 予測値
plt.show()

評価
回帰なので正答率は出力しない。

def plot_history_loss(hist):
    plt.plot(hist.history['loss'],label="loss for training")
    plt.plot(hist.history['val_loss'],label="loss for validation")
    plt.title('model loss')
    plt.xlabel('epoch')
    plt.ylabel('loss')
    plt.legend(loc='best')
    plt.show()
plot_history_loss(hist)

↑

... †

↑

参考 †

↑

scikit-learn †

↑

データマイニング（DM）- Python - RNN のバックアップ(No.2)

目次 †

概要 †

詳細 †

時系列予測 †

... †

参考 †

scikit-learn †

TensorFlow・Keras †