Azure Machine Learningのアルゴリズム・モデル のバックアップ(No.10)

[ トップ ]   [ 新規 | 一覧 | 単語検索 | 最終更新 | ヘルプ ]

• バックアップ一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• Azure Machine Learningのアルゴリズム・モデル へ行く。
  • 1 (2022-03-01 (火) 10:29:14)
  • 2 (2022-03-01 (火) 12:27:21)
  • 3 (2022-03-01 (火) 15:40:12)
  • 4 (2022-03-01 (火) 17:11:34)
  • 5 (2022-03-01 (火) 21:09:49)
  • 6 (2022-03-02 (水) 10:32:55)
  • 7 (2022-03-02 (水) 20:29:24)
  • 8 (2022-03-03 (木) 10:40:11)
  • 9 (2022-03-11 (金) 11:09:57)
  • 10 (2022-05-18 (水) 13:09:57)
  • 11 (2022-09-02 (金) 15:57:17)

---

「マイクロソフト系技術情報 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。

• 戻る
  • Azure Machine Learningチュートリアル
  • Azure Machine Learningのアルゴリズム・モデル
  • Azure Machine Learningのモデルのデプロイ

目次 †

概要 †

アルゴリズムの選択と、モデルの評価、解釈・説明について。

詳細 †

アルゴリズム選択 †

機械学習アルゴリズム チート シート（2021）の情報から。

回帰 †

• 値を予測する
• 値の関係を推定して予測
• 質問の例：いくらですか、いくつですか？

• アルゴリズム

• 高速フォレスト分位点回帰
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/fast-forest-quantile-regression

  分布を予測する

• ポワソン回帰
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/poisson-regression

  イベント数を予測

• 線形回帰
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/linear-regression

  ⾼速トレーニング、線形モデル

• ベイズ線形回帰
  https://docs.microsoft.com/en-us/previous-versions/azure/machine-learning/studio-module-reference/bayesian-linear-regression

  線形モデル、⼩さなデータセット

• デシジョン フォレスト回帰
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/decision-forest-regression

  正確で速いトレーニング時間

• ニューラル ネットワーク回帰
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/neural-network-regression

  正確で⾧いトレーニング時間

• ブースト デシジョン ツリー回帰
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/boosted-decision-tree-regression

  正確で⾼速なトレーニング時間、
  ⼤きなメモリフットプリント

2クラス分類 †

• 2つのカテゴリ間の予測
• はい・いいえ、真・偽などの
  単純な2つの選択肢の質問に答える。
• 質問の例：これはAですかBですか？

• アルゴリズム

• 2 クラス サポート ベクター マシン
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/two-class-support-vector-machine

  100未満の機能、線形モデル

• 2 クラス平均化パーセプトロン
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/two-class-averaged-perceptron

  ⾼速トレーニング、線形モデル

• 2 クラス デシジョン フォレスト
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/two-class-decision-forest

  正確で迅速なトレーニング

• 2 クラス ロジスティック回帰
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/two-class-logistic-regression

  ⾼速トレーニング、線形モデル

• 2 クラス ブースト デシジョン ツリー
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/two-class-boosted-decision-tree

  正確で⾼速なトレーニング、
  ⼤容量のメモリフットプリン

• 2 クラス ニューラル ネットワーク
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/two-class-neural-network

  正確で⾧いトレーニング時間

マルチクラス分類 †

• いくつかのカテゴリ間で予測
• 複数の可能な答えで複雑な質問に答える。
• 質問の例：これはAまたはBまたはCまたはDですか？

• アルゴリズム

• マルチクラス ロジスティック回帰
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/multiclass-logistic-regression

  速いトレーニング時間、線形モデル

• 多クラス ニューラル ネットワーク
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/multiclass-neural-network

  精度、⾧いトレーニング時間

• 多クラス デシジョン フォレスト
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/multiclass-decision-forest

  正確で速いトレーニング時間

• One-vs-All Multiclass
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/one-vs-all-multiclass

  2クラス分類器に依存

• One-vs-One Multiclass
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/one-vs-one-multiclass

  2クラス分類器に依存、複雑さが⼤きく、不均衡なデータセットに対する感度が低い

• 多クラスのブースト デシジョン ツリー
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/multiclass-boosted-decision-tree

  ノンパラメトリック、⾼速トレーニング時間、スケーラブル

クラスタリング †

• 構造を発見する
• 類似のデータポイントを直感的なグループに分離
• 質問の例：これはどのように構成されていますか？

• アルゴリズム（教師なし学習）
  • K-Means クラスタリング
    https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/k-means-clustering

異常検出 †

• 異常な出来事を見つける
• 稀な・異常なデータポイントを識別して予測
• 質問の例：これは奇妙ですか？

• アルゴリズム

• 1 クラス サポート ベクター マシン
  ...

  100未満の機能、積極的な境界

• PCA ベースの異常検出
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/pca-based-anomaly-detection

  速いトレーニング時間

レコメンダー †

• 推奨事項を⽣成する
• 誰かが何に興味を持つかを予測
• 質問の例：彼らは何に興味がありますか？

• アルゴリズム

• SVD レコメンダー
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/train-svd-recommender

  協調フィルタリング、次元削減による低コストでのパフォーマンスの向上

• ワイドかつディープなレコメンダー
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/train-wide-and-deep-recommender

  ハイブリッドレコメンダー（協調フィルタリングとコンテンツベースのアプローチ）

テキスト分析 †

• テキストから情報を抽出する
• テキストから⾼品質の情報を導き出す
• 質問の例：このテキストにはどのような情報がありますか？

• アルゴリズム

• 潜在的ディリクレ配分法
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/latent-dirichlet-allocation

  教師なしトピック・モデリング、類似したグループ・テキスト

• テキストからの N gram 特徴抽出
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/extract-n-gram-features-from-text

  フリーテキストの列からn-gramの辞書を作成

• 特徴ハッシュ
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/feature-hashing

  VowpalWabbit?ライブラリを使⽤して
  テキストデータを整数エンコードされたフィーチャに変換

• テキストの前処理
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/preprocess-text

  テキストのクリーニング操作
  （ストップワードの削除、⼤⽂字と⼩⽂字の正規化など

• 単語からベクターへの変換
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/convert-word-to-vector

  レコメンダー、固有表現抽出、機械翻訳などの
  NLPタスクで使⽤するために単語を値に変換

画像分類 †

• 画像を分類する
• CNNで画像を分類
• 質問の例：この画像は何を表していますか？

• アルゴリズム

• ResNet?
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/resnet

  CNNの代表的なモデル

• DenseNet?
  https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/densenet

  ResNet?より深い層の実現を目指したモデル

モデルの評価 †

分類メトリック †

• 混同行列
• ROC 曲線
• 適合率 - 再現率曲線
• 累積ゲイン曲線
• リフト曲線
• 較正曲線

回帰/予測メトリック †

• 残差
• 予測と True

イメージ モデルのメトリック (プレビュー) †

...

モデルの説明と特徴の重要度 †

信頼できる AI を実現するには、

「モデルがその予測にデータセットのどの特徴を使用したか」

を調査することが重要。

モデル解釈・説明 †

解釈性・説明性 †

• 解釈性
  • モデルの改善方法を知りたい
  • ステークホルダーへモデル自体を説明

• 説明性
  • 説明可能なAI
  • ユーザへモデルの出力した結果の根拠を説明したいケース

大域的・局所的 †

• 大域的
  学習したデータセット全体を使ってモデルを説明する。

• 局所的
  １つのデータを使った予測結果でモデルを説明する。

モデル毎の説明手法 †

• 解釈可能なモデル（Glass Box AI Model）

• 主に統計的機械学習のモデル
  • シンプルな「統計モデル」
  • 階層的な木構造の確率的な「生成モデル」

• 数理最適化も、簡単な関数の近似なら解釈可能か。

• ブラック・ボックスなモデル（Black Box AI Model）
  • 深層学習で使用されるDNN（Deep Neural Network）
  • 複数の決定木を使用するモデル（ランダムフォレスト・勾配ブースティング木）

• トレードオフ
  一般的に、精度と解釈性・説明性はトレードオフ関係にある。
  • 解釈可能なモデルを採用するなら、精度を上げる。
  • ブラック・ボックスなモデルを採用するなら、解釈性・説明性を上げる。

• 参考：機械学習（machine learning） - 開発基盤部会 Wiki > 詳細 > 理論

ライブラリ・フレームワーク †

InterpretMLと言う、機械学習の解釈を説明可能
とするためのpythonライブラリ・フレームワーク

• 「高精度」を実現した「解釈可能なモデル」
  Explainable Boosting Machine（EBM）
  • scikit-learn準拠（Estimatorというインターフェイスが基本）

• 大域的な解釈
  • 「教師データの密度」と「説明変数のスコア（結果を上げた度合い）」などで説明ができる。
  • また、交互作用法で複数の説明変数のスコア（結果への影響度合い）で説明ができる。

• 局所的な解釈
  • 予測が正解となる確率を上げた変数と、その度合い。
  • 予測が正解となる確率を下げた変数と、その度合い。

• 「ブラック・ボックスなモデル」の局所的な説明を行う。

• ある入力xに対しモデルが出力yとした時、予測の根拠を説明として提示する。
• 入力・出力のみに依存するため、あらゆるモデルに対応する。

• また、モデルの誤差分析も可能（誤差の大きいコーホートを特定
  • 決定木で見る
  • ヒートマップで見る

• ライブラリ
  • SHAP
  • LIME
  • , etc.

※ コーホート：ココでは、データの集団の意味。

参考 †

• Microsoft/InterpretMLの中身 - 勉強の記録
  https://tmitani-tky.hatenablog.com/entry/2019/07/06/233837

• MicrosoftのInterpretMLが便利だった - ざこぷろのメモ
  https://zakopilo.hatenablog.jp/entry/2020/09/19/181719

• AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
  https://www.slideshare.net/keitaonabuta/automl-interpretml-20191127-deep-learning-lab

• 【記事更新】私のブックマーク
  「機械学習における解釈性（Interpretability in Machine Learning）」
  人工知能学会 (The Japanese Society for Artificial Intelligence)
  https://www.ai-gakkai.or.jp/resource/my-bookmark/my-bookmark_vol33-no3/

YouTube? †

• Azure Machine Learning ハンズオン モデル解釈
  https://www.youtube.com/watch?v=ljOxHenrOqg

• Module
  • #1 環境準備
  • #2 解釈性の高いモデルを構築する
  • #3 BlackBox? モデルを説明する

• Resources
  • DOC
    https://speakerdeck.com/konabuta/azure-machine-learning-hanzuon-moderujie-shi
  • Git
    https://github.com/konabuta/responsible-ai

Microsoft Docs †

機械学習アルゴリズム †

• 機械学習アルゴリズム チート シート - デザイナー
  https://docs.microsoft.com/ja-jp/azure/machine-learning/algorithm-cheat-sheet

• 機械学習アルゴリズムの選択方法
  https://docs.microsoft.com/ja-jp/azure/machine-learning/how-to-select-algorithms

• 機械学習のアルゴリズム
  （コンポーネント リファレンス）

• 回帰
  • 線形回帰 https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/linear-regression
  • ...

• クラスタリング
  • K-Means Clustering (K-Means クラスタリング)
    https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/k-means-clustering
  • ...

• 分類
  • 2 クラス サポート ベクター マシン
    https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/two-class-support-vector-machine
  • ...

• 異常検出
  • PCA ベースの異常検出
    https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/pca-based-anomaly-detection
  • ...

• レコメンダー
  • SVD レコメンダー
    https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/train-svd-recommender
  • ...

• テキスト分析
  • 潜在的ディリクレ配分法
    https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/latent-dirichlet-allocation
  • ...

• コンピューター・ビジョン
  • ResNet?
    https://docs.microsoft.com/ja-jp/azure/machine-learning/component-reference/resnet
  • ...

機械学習モデル †

• AutoML 実験結果の評価
  https://docs.microsoft.com/ja-jp/azure/machine-learning/how-to-understand-automated-ml

• 自動 ML でのモデル説明 (プレビュー)
  https://docs.microsoft.com/ja-jp/azure/machine-learning/how-to-machine-learning-interpretability-automl

• Python を使用したモデルの解釈と説明 (プレビュー)
  https://docs.microsoft.com/ja-jp/azure/machine-learning/how-to-machine-learning-interpretability-aml

---

Tags: :クラウド, :BI/AI, :Azure

     

Site admin: dotNetDevelopmentInfrastructure

PukiWiki 1.4.7 Copyright © 2001-2006 PukiWiki Developers Team. License is GPL.
Based on "PukiWiki" 1.3 by yu-ji. Powered by PHP 5.3.3. HTML convert time: 0.049 sec.