【R】Kerasを使ってみる（iris）

1. はじめに

とにかく、慣れるためにたくさんの例をこなしていこうと思います。今回は、データサイエンスの定番データ（？）のirisを使って、KerasでDeep Learningしてみます。

RPubsにあったKeras on Iris data by Vincent Gaulを参考にさせていただきました。

2. さっそくやってみる

2.1 データの準備

library(tidyverse)
library(keras)
library(tensorflow)
library(datasets)

data(iris)

データは、matrixにしておく必要があります。また、matrixの要素はすべて同じ型になっている必要があります。このデータの場合、5列目（種類）が要因型ですから、0から始まる数値型にします（後ほど、one-hot encodeします。）。

iris[,5] <- as.numeric(iris[,5]) -1
iris <- as.matrix(iris)
dimnames(iris) <- NULL

訓練データとテストデータに分けます。説明変数は1～4列で、目的変数が5列目です。

ind <- sample(2, nrow(iris), replace=TRUE, prob=c(0.67, 0.33))

iris.training <- iris[ind==1, 1:4]
iris.test <- iris[ind==2, 1:4]

iris.trainingtarget <- iris[ind==1, 5]
iris.testtarget <- iris[ind==2, 5]

今回は、分類を行いますので、目的変数をBool型で処理できるようにone-hot encodingしておきます。Kerasでは、これを行う関数があり、to_categorical()です。変換したデータは、Labelsという変数名にし、最初のみ確認してみます。

iris.trainLabels <- to_categorical(iris.trainingtarget)
iris.testLabels <- to_categorical(iris.testtarget)
head(iris.testLabels)

> head(iris.testLabels)
     [,1] [,2] [,3]
[1,]    1    0    0
[2,]    1    0    0
[3,]    1    0    0
[4,]    1    0    0
[5,]    1    0    0
[6,]    1    0    0

2.2 モデル構築

続いてモデルの構築です。keras_model_sequential()関数で初期化します。まずは、最も簡単なニューラルネットワークとします。出力層は、0,1のBooleanを扱うためsoftmaxにします。

model <- keras_model_sequential() 

model %>% 
  layer_dense(units = 8, activation = 'relu', input_shape = c(4)) %>% 
  layer_dense(units = 3, activation = 'softmax')

summary(model) 

> summary(model)
Model: "sequential"
_________________________________________________________________________________________
Layer (type)                            Output Shape                       Param #       
=========================================================================================
dense (Dense)                           (None, 8)                          40            
_________________________________________________________________________________________
dense_1 (Dense)                         (None, 3)                          27            
=========================================================================================
Total params: 67
Trainable params: 67
Non-trainable params: 0
_________________________________________________________________________________________

2.3 コンパイルと学習

コンパイルします。

model %>% compile(
  loss = 'categorical_crossentropy',
  optimizer = 'adam',
  metrics = 'accuracy'
)

学習します。

history <- model %>% fit(
  iris.training, 
  iris.trainLabels, 
  epochs = 200,
  batch_size = 5, 
  validation_split = 0.2
)

エポック毎の学習の様子がプロットされていきます。

2.4 予測と評価

できたモデルにたいして、テストデータで予測してみます。その結果をConfusion matrixにて表示してみます。

classes <- model %>% predict_classes(iris.test, batch_size = 128)

table(iris.testtarget, classes)

> table(iris.testtarget, classes)
               classes
iris.testtarget  0  1  2
              0 18  0  0
              1  0 13  1
              2  0  5 12

かなり良い予測ができているようです。

テストデータでの結果を評価してみます。

score <- model %>% evaluate(iris.test, iris.testLabels, batch_size = 128)

print(score)

> print(score)
$loss
[1] 0.2109397

$accuracy
[1] 0.877551

9割近くの精度で予測てきているようですね。

できたモデルの書出し、読み込みは以下の通りです。jsonでも扱えます。

save_model_hdf5(model, "my_model.h5")
model <- load_model_hdf5("my_model.h5")

save_model_weights_hdf5(model, "my_model_weights.h5")
model %>% load_model_weights_hdf5("my_model_weights.h5")

json_string <- model_to_json(model)
model <- model_from_json(json_string)

2.5 最適化

もっと良い精度のモデルができないか、少しだけ最適化してみます。

まずは、レイヤーを増やしてみます。

model2 <- keras_model_sequential() 

model2 %>% 
  layer_dense(units = 8, activation = 'relu', input_shape = c(4)) %>% 
  layer_dense(units = 5, activation = 'relu') %>% 
  layer_dense(units = 3, activation = 'softmax')

model2 %>% compile(
  loss = 'categorical_crossentropy',
  optimizer = 'adam',
  metrics = 'accuracy'
)

model2 %>% fit(
  iris.training, iris.trainLabels, 
  epochs = 200, batch_size = 5, 
  validation_split = 0.2
)

score2 <- model2 %>% evaluate(iris.test, iris.testLabels, batch_size = 128)

print(score2)

> print(score2)
$loss
[1] 0.2050286

$accuracy
[1] 0.877551

Lossが若干減りました。

次に、入力の次元を少し大きくしてみます。

model3 <- keras_model_sequential() 

model3 %>% 
  layer_dense(units = 28, activation = 'relu', input_shape = c(4)) %>% 
  layer_dense(units = 3, activation = 'softmax')

model3 %>% compile(
  loss = 'categorical_crossentropy',
  optimizer = 'adam',
  metrics = 'accuracy'
)

model3 %>% fit(
  iris.training, iris.trainLabels, 
  epochs = 200, batch_size = 5, 
  validation_split = 0.2
)

score3 <- model3 %>% evaluate(iris.test, iris.testLabels, batch_size = 128)

print(score3)

> print(score3)
$loss
[1] 0.1686141

$accuracy
[1] 0.8979592

こちらも、Loss,Accuracyとも改善が見られました。

3. さいごに

Kerasを使うと簡単に結果が得られ、すぐに開発をしたいときには重宝しそうです。これからも、どんどん試してみたいと思います。