![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
「[[.NET 開発基盤部会 Wiki>http://dotnetdevelopmentinfrastructure.osscons.jp]]」は、「[[Open棟梁Project>https://github.com/OpenTouryoProject/]]」,「[[OSSコンソーシアム .NET開発基盤部会>https://www.osscons.jp/dotNetDevelopmentInfrastructure/]]」によって運営されています。 散布図 -[[戻る>ビジネス インテリジェンス（BI）]] --[[CRISP-DM>データマイニング（DM）- CRISP-DM]] --[[Excel>データマイニング（DM）- Excel]] --[[KNIME>データマイニング（DM）- KNIME]] --[[Python>データマイニング（DM）- Python]] --[[Python - DL>データマイニング（DM）- Python - DL]] ---[[Python - DNN>データマイニング（DM）- Python - DNN]] ---[[Python - CNN>データマイニング（DM）- Python - CNN]] ---Python - RNN ---[[Python - CNN>データマイニング（DM）- Python - CNN]] --[[DataSet>データマイニング（DM）- DataSet]] *目次 [#k011d5b3] #contents *概要 [#l6c3d2b0] [[RNN>ニューラルネットワーク#sa1d8d21]]、[[LSTM>ニューラルネットワーク#o836d6ff]] *詳細 [#n7596bcf] **時系列予測 [#cb8443fc] ***データ [#td586627] https://github.com/AileenNielsen/TimeSeriesAnalysisWithPython/blob/master/data/AirPassengers.csv -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>再帰型ニューラルネットワーク（RNN）#y11573fa]] 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~ Kerasが扱える型に変換 data = df['Passengers'].values.astype('f') --正規化 ---しないと上手く学習できない。 ---X・Yともに正規化するので、推論結果はscaleを掛けて戻す。 scale = data.max() data /= scale --[[説明系列と目的系列、目的系列の教師データ化>再帰型ニューラルネットワーク（RNN）#pafaec18]]~ このケースでは説明系列 ＝ 目的系列なので、 x = data[:-1] y = data[1:] print('x:',len(x)) print('y:', len(y)) --shape変換~ Kerasの時系列解析用にshape変換~ ・ x : 説明系列の配列（複数の説明系列）の配列（バッチ）の可能性で３次元~ ・ y : 目的系列の配列（バッチ）の可能性で２次元 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)) --[[時系列を維持して訓練・テストのデータ分割>再帰型ニューラルネットワーク（RNN）#af105024]] # 訓練データのサンプル数を指定 train_size = int(len(data) * 0.7) # データの分割 x_train = x[:train_size] x_test = x[train_size:] y_train = y[:train_size] y_test = y[train_size:] # shapeを確認 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 [#zfe4a4f7] -LSTMの定義 --30ユニットのLSTMの層 ＋ Denseレイヤ = 1つの値を予測 --LSTM（units, batch_input_shape=batch_size, time_step, input_dim）） ---units: 中間層のノード数（中間層の出力次元数） ---batch_input_shape: 入力するデータの形状を指定~ ・バッチサイズ~ ・予測のタイムステップ~ ・入力の次元（特徴量（説明系列）の数） 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) --出力の正規化を戻す関数 def pred_n_passengers(y_pred, scale, year, month): index = ((year - 1949) * 12) + (month - 1) # 1949/1からのデータ return y_pred[index] * scale # 正規化した値を元に戻す。 --1960年4月の乗客数を予測 year = 1960 month = 4 print("org : ", data[((year - 1949) * 12) + (month - 1)] * scale) print("pred: ", pred_n_passengers(y_pred, scale, year, month)) -評価~ 回帰なので正答率は出力しない。 --実測・予測を表示 plt.plot(data, color='blue') # 実測値 plt.plot(y_pred, color='red') # 予測値 plt.show() --学習履歴を表示 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) **... [#y99a0084] *参考 [#de1d739f] -作成中のコンテンツへのリンク - OSSコンソーシアム~ https://www.osscons.jp/joho108j0-537 **[[scikit-learn]] [#db4fb149] **[[TensorFlow・Keras]] [#k48e732d] **[[再帰型ニューラルネットワーク（RNN）]] [#x8d67225]
