ニューラルネットで回帰を行い、身長+3サイズでセクシー女優のカップ数を推定させる

はじめに

前回https://qiita.com/ruteshi_SI_shiteru/items/fe3fcf96bdd322407e1c
の続きとなります。
前回はNNで分類を行わせて推定させていたのですが、精度が悪かったため、今回は回帰で推定を行いました。

環境

前回と同じです。

使用データ

前回及び先行研究と同じです。
※先行研究…https://qiita.com/kkdmgs110/items/593b9a2a270734d06070

ちなみに、cupからcup numを生み出す加工を行い、以下のようなデータとしております。(実は前回もですが)

コード全体像

code

import pandas as pd

df = pd.read_csv('dataset.csv')

# 確認
df.head(3)

# 教師データ(cupnum列)
t = df.iloc[:, 6]

# 入力変数(3~6番目)
x = df.iloc[:, 2:6]

# 確認
t.head(3)

# 確認
x.head(3)

# Numpyにデータ型を変換
# 回帰バージョン
tn = (t.values - 1).reshape(t.size,1).astype('float32')
xn = x.values.astype('float32')

# 確認
tn.dtype

# 確認
tn

# 確認
xn.dtype

# 確認
xn

import chainer
import chainer.links as L
import chainer.functions as F

class NN(chainer.Chain):

    # モデルの構造を明示
    def __init__(self):
        super().__init__()
        with self.init_scope():
            self.l1 = L.Linear(4, 4)
            self.l2 = L.Linear(4, 4)
            self.l3 = L.Linear(4, 1)

    # 順伝播
    def __call__(self, x):
        u1 = self.l1(x)
        z1 = F.relu(u1)
        u2 = self.l2(z1)
        z2 = F.relu(u2)
        u3 = self.l3(z2)
        return u3

import numpy as np

# 再現性確保のためシードを固定
np.random.seed(1)

# NNモデルをインスタンス化
model = NN()

from chainer import optimizers

# 最適化にはAdamを使用
optimizer = optimizers.Adam()
optimizer.setup(model) # modelと紐付ける

# 損失関数の計算
#   損失関数には自乗誤差(MSE)を使用
def forward(x, y, model):
    t = model.__call__(x)
    loss = F.mean_squared_error(t, y)
    return loss


# パラメータの学習を繰り返す
results = []
for i in range(0,30000):
    loss = forward(xn, tn, model)
    print(loss.data)  # 現状のMSEを表示
    results.append(loss.data)
    optimizer.update(forward, xn, tn, model)
    
# 学習完了

# 誤差の推移をプロットしインライン表示
import matplotlib.pyplot as plt
%matplotlib inline
plt.yscale("log")
plt.xscale("log")
plt.plot(results)
plt.show()

# 予測 数値の見方：1 = Aカップ、2 = Bカップ… 5 = Eカップ… 
# Rioさん(C cup)
xq = np.array([[154,84,58,83]], 'f')
t1 = model.__call__(xq)+1
print(t1)
# variable([[ 4.11120224]])

# 蒼井そらさん(G cup)
xq = np.array([[155,90,58,83]], 'f')
t1 = model.__call__(xq)+1
print(t1)
# variable([[ 5.91459274]])

# 石原莉奈さん(C cup)
xq = np.array([[155,85,56,84]], 'f')
t1 = model.__call__(xq)+1
print(t1)
# variable([[ 4.56367683]])

# 野中あんりさん(A cup)
xq = np.array([[154,74,56,84]], 'f')
t1 = model.__call__(xq)+1
print(t1)
# variable([[ 2.42423582]])

# さくら柚木さん(K cup)
xq = np.array([[157,115,68,94]], 'f')
t1 = model.__call__(xq)+1
print(t1)
# variable([[ 12.39152241]])

手法

学習は4層ニューラルネットワークで行います。複雑なモデルのほうが適しているのか…と思い、前回の3層から1層増やしてみました。

結果

精度

誤差の推移を以下にプロットします。10000回を過ぎた頃から安定していることが伺えます。なお、今回はすべてのデータを学習対象としました。

予測について

予測結果はコード内に示しておりますので、ここでの再掲は省かせていただきます。

考察

前回、「学習に回帰ではなく分類を用いたことが精度低下の主因か」と触れましたが、概ねその通りだと考えられます。

所感

予測値が意外と近い値を示してくれました。さすがに、完璧に予測することは不可能なので、これくらいが関の山かもしれません。

最後までお付き合いいただき有難うございました。