20181117 Azure Machine Lerning 勉強会 in Okayama (2)

1. Azure Machine Learning
モジュールの解説（学習＆評価）
2018.11.17
Azure Machine Learning勉強会 in Okayama
貞松 政史

2. 本セッションの流れ
• Azure Machine Learningのモジュール説明
• 学習アルゴリズム
• 予測
• 分類
• レコメンド
• クラスタリング
• 評価
• テストデータに対する結果の確認
• 結果に対する評価

3. モジュール説明(学習アルゴリズム)
• Azure Machine Learningのモジュール説明
• 学習アルゴリズム
• 予測
• 分類
• レコメンド
• クラスタリング
• 評価
• テストデータに対する結果の確認
• 結果に対する評価

4. どの機械学習モジュールを使うか
• Azure Machine Learning Studio のアルゴリズムの選択方法
• https://docs.microsoft.com/ja-jp/azure/machine-learning/studio/algorithm-
choice
• Azure Machine Learning Studioの機械学習アルゴリズム チート
シート
• https://docs.microsoft.com/ja-jp/azure/machine-learning/studio/algorithm-
cheat-sheet

5. 機械学習アルゴリズム チート シート

6. Machine Learningモジュール(学習)
学習アルゴリズムとそれに対する評価の為のモジュール群
学習アルゴリズム
学習実行（データとアルゴリズムの接続）

7. データと学習アルゴリズムの接続

8. Trainモジュール
学習アルゴリズムと学習データを接続して学習を実行する
学習の種類に応じてつなぐモジュールが異なる

9. Train Model
学習アルゴリズムとデータを
接続する
学習を実行し、学習したモデ
ルを評価モジュールに渡す

10. Tune Model Hyperparameters
学習アルゴリズムに対して設
定が必要なパラメータ(ハイ
パーパラメータ)を調整してく
れる
Train Modelの代わりに
学習アルゴリズムとデータを
接続する

11. Initialize Model
学習アルゴリズムモジュール
用途別の学習モジュールが一式用意されている

12. Anomaly Detection
異常検知モジュール
正常な状態(傾向)を学習し、そこから外れた状態(異常)を検知する

13. Classification
分類モジュール
大別すると
- 2種類の分類
- (2より多い)複数種類の分類
その中で、さらに細かく各種アルゴリズム
が用意されている

14. Clustering
クラスタリングモジュール
学習データを(未知の)カテゴリに分類する
AzureMLStudio上ではK-Means Clusteringのみ

15. Regression
回帰モジュール
様々な回帰アルゴリズムにより予測モデルを学習する

16. モジュール説明(評価)
• Azure Machine Learningのモジュール説明
• 学習アルゴリズム
• 予測
• 分類
• レコメンド
• クラスタリング
• 評価
• テストデータに対する結果の確認
• 結果に対する評価

17. Machine Learningモジュール(評価)
評価指標による性能評価
学習モデルによる結果の確認

18. Scoreモジュール
評価モジュール(結果の表示)
学習の種類によって接続するモジュールが変わる

19. Evaluateモジュール
評価モジュール(指標によるモデルの評価)
学習の種類によって接続するモジュールが変わる

20. 学習アルゴリズムと評価モジュールの接続

21. Score ModelのVisualize
実際の値 予測値 標準偏差

22. Evaluate ModelのVisualize

23. 評価指標
• Mean Absolute Error
• 平均絶対誤差（MAE）は、予測が実際の結果にどのくらい近いかを測定
します。従って、スコアが低い方が良い。
• Root Mean Square Error
• モデルの誤差を要約する単一の値を作成します。差を二乗することに
よって、メトリックは過予測と過小予測の差を無視します。

24. 評価指標
• Releative Absolute Error
• 相対絶対誤差（RAE）は、予想値と実際値の相対的な絶対差です。相対
差は平均差を算術平均で除算するためです。
• Releative Squared Error
• 相対二乗誤差（RSE）は同様に、実際の値の二乗誤差の二乗で除算する
ことによって、予測値の二乗誤差の二乗を正規化します。

25. 後半のまとめ
• 用途に合わせて様々な学習アルゴリズムを選択可能
• 選択すべき学習アルゴリズムに迷ったらチートシートを参考
にすれば適切なアルゴリズムを選択できる
• 選択した学習アルゴリズムにあわせてTrainモジュール、評
価モジュールを接続する
• 最終的に学習モデルにより得られた結果を確認したり、評価
指標に基づいて性能を評価できる