概要
欧州原子核研究機構CERNが開発しているデータ分析ツールROOTを使って簡単に機械学習をしてみる。
ROOTで用意されているチュートリアルのサンプルコードを参考に、
Multi Layer Perceptron（MLP）で回帰曲線を出すところまでやってみる。
ROOTのインストール方法や基本的な使い方は過去に書いた記事を参考までに。
https://qiita.com/dyamaguc/items/2f723cbc304c4debd82e
https://qiita.com/dyamaguc/items/397121b303e26f8286cf
環境
- Mac Book Air
- Mac OS X 10.13.6
- ROOT 6.14/06
サンプルコードと実行結果
ROOTのサンプルコード（C++）
ROOTが提供しているサンプルコードはこちら
https://root.cern.ch/root/html608/mlpRegression_8C.html
ROOTをすでにインストールしている場合、サンプルコードは
<path to root>/tutorials/mlp/mlpRegression.C
ここにおいてある。
これを動かすには
root <path to root>/tutorials/mlp/mlpRegression.C
とターミナルでコマンドを打てば、いくつかプロットが出てきて、
うまく予測できていることがわかる。
C++のコードだが、コンパイルは不要。
自分のサンプルコード（Python）
ROOTが提供しているサンプルコードだとあまり面白くないので、
自分でサンプルコード少し変えて走らせてみた。
まず目的変数zに対し、説明変数x、yが次のような関係を持っているとする。
def theUnknownFunction(x, y):
return TMath.Sin( (1.7+x)*(x-0.3) - 2.3*(y+0.7))
(x、y、z)の組を500個学習させて、得た回帰曲線の予想z_predと、正解z_trueを比較する。
from ROOT import TNtuple, TRandom, TMultiLayerPerceptron, TMLPAnalyzer, TMath, TCanvas, TGraph, TGraph2D, TTree, gROOT
from array import array
import numpy as np
def createData():
N = 1000
r = TRandom()
r.SetSeed(0)
data_tree = TTree("tree", "tree")
x = np.empty((1), dtype="float32")
y = np.empty((1), dtype="float32")
z = np.empty((1), dtype="float32")
data_tree.Branch("x", x, "x/f")
data_tree.Branch("y", y, "y/f")
data_tree.Branch("z", z, "z/f")
# fill data
for i in range(0, N):
x[0] = r.Rndm()
y[0] = r.Rndm()
z[0] = theUnknownFunction(x, y)
data_tree.Fill()
del x,y,z
return data_tree
if __name__ == '__main__':
# fill data
data_tree = createData()
# create ANN
mlp = TMultiLayerPerceptron("x,y:10:8:z", data_tree, "Entry$%2","(Entry$%2)==0")
mlp.Train(150, "graph update=10")
mlpa = TMLPAnalyzer(mlp)
mlpa.GatherInformations()
mlpa.CheckNetwork()
mlpa.DrawDInputs()
TMultiLayerPerceptronの最初の引数"x,y:10:8:z"はニューラルネットワークのレイヤーを記述している。
今回は、xとyが入力の層、その次の10と8はhidden layerのニューロンの数、zが出力。
今回はもとのサンプルと同じ設定にしている。
ROOTでは、Draw()で設定したニューラルネットワークの構造を可視化できる（下図）。
第２引数はデータ。ROOTのデータ構造である、TTreeで渡している。
第３引数は学習用データの条件。今回はEntry（データのID）が奇数の場合を指定している。
第４引数はテスト（検証用）データの条件。Entryが偶数の場合を指定している。
その次にTrain(150, "graph update=10")で学習をしている。
第１引数はイテレーションの回数。
第２引数は学習のオプション。10イテレーション毎にグラフで学習曲線を描くように指定している。
TMLPAnalyzerで学習したMLPの結果を簡単に表示できる。
結果を可視化する。
# draw statistics shows the quality of the ANN's approximation
canvas = TCanvas("TruthDeviation", "TruthDeviation")
canvas.Divide(2,2)
canvas.cd(1)
mlp.Draw()
canvas.cd(2)
# draw the difference between the ANN's output for (x,y) and
# the true value f(x,y), vs. f(x,y), as TProfiles
mlpa.DrawTruthDeviations()
canvas.cd(3)
# draw the difference between the ANN's output for (x,y) and
# the true value f(x,y), vs. x, and vs. y, as TProfiles
mlpa.DrawTruthDeviationInsOut()
canvas.cd(4)
graph_truth_y05 = TGraph()
graph_predi_y05 = TGraph()
graph_truth_y05.SetMarkerStyle(20)
graph_predi_y05.SetMarkerStyle(21)
graph_predi_y05.SetMarkerColor(2)
for ix in range(0, 15 ):
v = array( 'd', [0,0])
v[0] = ix / 10.0
v[1] = 0.5
graph_truth_y05.SetPoint( graph_truth_y05.GetN(), v[0], theUnknownFunction(v[0], v[1]))
graph_predi_y05.SetPoint( graph_predi_y05.GetN(), v[0], mlp.Evaluate(0, v))
graph_truth_y05.Draw("AP1")
graph_predi_y05.Draw("P1 SAME")
graph_truth_y05.SetTitle("y = 0.5;x;z")
canvas.SaveAs("output.png")
# To avoid error
del mlp
実行結果は下図の通り。
x,y（右上）,z（左下）を横軸にとって、縦軸に正解と予測の差をとると、いい精度で予測できていることがわかる。
右下は、y=0.5のときの正解（黒）と予想（赤）のプロット。横軸がx、縦軸がz。
xが1以上で予想と正解がずれているが、学習データの範囲外なので、まあそんなところかなというところ。
0 <= x <= 1では正解（黒）と予測（赤）がよく一致している。
まとめ
ROOTのフレームワークを使うことで簡単に、ニューラルネットワークの機械学習をしてみた。
チュートリアルのコードを参考にしたので、簡単に（数行で）回帰曲線を求められた。
参考
TMultiLayerPerceptron
https://root.cern.ch/doc/master/classTMultiLayerPerceptron.html#a9262eee03feb52487900c31f279691c2
TMLPAnalyzer
https://root.cern.ch/doc/master/classTMLPAnalyzer.html
実行後に出力されるエラーを消す方法
https://root-forum.cern.ch/t/output-could-be-produced-but-here-is-a-long-list-of-errors/10620/4
その他
https://www-he.scphys.kyoto-u.ac.jp/member/n.kamo/wiki/doku.php?id=study:software:root:pyroot