　前回は、二値分類モデルで経済成長しているかどうかでディープラーニングしました。
こちらの記事を参照。
AIチャレンジ2（経済成長率の予測）
https://qiita.com/horiivalue/items/97563e4a647d071419cc

　今回は、同じデータで多クラス分類モデルで学習させてみたいと思います。

前回との違い

　二値分類モデルと異なり、成長率を0.5%づつ８クラスに分けて分類。

for i in range(117):
    s = dataset.iloc[i,0]
    if s >= 2:
        dataset.iloc[i,0] = 2
    elif s>= 1.5:
        dataset.iloc[i,0] = 1.5
    elif s>= 1:
        dataset.iloc[i,0] = 1
    elif s>= 0.5:
        dataset.iloc[i,0] = 0.5
    elif s>= 0:
        dataset.iloc[i,0] = 0
    elif s>= -0.5:
        dataset.iloc[i,0] = -0.5
    elif s>= -1:
        dataset.iloc[i,0] = -1
    elif s>= -1.5:
        dataset.iloc[i,0] = -1.5
    else:
        dataset.iloc[i,0] = -2
dataset.head()

dataset2 = pd.get_dummies(data=dataset, columns=['keizai'])
dataset2.head()

Y = np.array(dataset2[['keizai_-2.0', 'keizai_-1.5', 'keizai_-0.5','keizai_0.0','keizai_0.5','keizai_1.0','keizai_1.5','keizai_2.0']])
X = np.array(dataset2[['kakei','export','minkan','import']])

学習と効果

　学習も以下のように変更。

# モデルの初期化
model = keras.Sequential()

# 入力層
model.add(Dense(24, activation='relu', input_shape=(4,)))
# 隠れ層
model.add(Dense(24, activation='relu'))
# 出力層
model.add(Dense(8, activation='softmax'))

# モデルの構築
model.compile(optimizer = "rmsprop", loss='binary_crossentropy', metrics=['accuracy'])

%%time
# 学習の実施
log = model.fit(X_train, Y_train, epochs=5000, batch_size=32, verbose=True,
                callbacks=[keras.callbacks.EarlyStopping(monitor='val_loss',
                                                         min_delta=0, patience=100,
                                                         verbose=1)],
         validation_data=(X_valid, Y_valid))

# predictで予測を行う
Y_pred_0 = model.predict(X_test)

# 多クラス分類は予測結果の各リストにおける
# 最大値のインデックスを取得するようにする
Y_pred = np.argmax(Y_pred_0, axis=1)

# モデルの評価
from sklearn.metrics import classification_report

print(classification_report(Y_test_, Y_pred))

結果、前回よりかなり悪い値が出てきました。もう少しデータが必要のようです。