ボストン住宅データセットに基づくシンプルなMLP回帰モデルのトレーニング

[[422501]]

多層パーセプトロン（MLP）は非常に長い歴史を持っています。多層パーセプトロン（MLP）はディープニューラルネットワーク（DNN）の基本アルゴリズムです。

MLPの基礎

• 目的: 単純な回帰/分類タスク用の通常のニューラル ネットワーク (多層パーセプトロンなど) と Keras を作成する

MLP構造

• 各MLPモデルは、入力層、複数の隠れ層、および出力層で構成されています。
• 各層のニューロンの数は無制限である

1つの隠れ層を持つMLP

- 入力ニューロンの数: 3 - 隠しニューロンの数: 4 - 出力ニューロンの数: 2

回帰タスクのためのMLP

• ターゲット（「y」）が連続している場合
• 損失関数と評価指標には、通常、平均二乗誤差 (MSE) が使用されます。

 tensorflow.keras.datasetsからboston_housing をインポートします
(X_train、y_train)、(X_test、y_test) = boston_housing.load_data()

データセットの説明

• ボストン住宅データセットには合計506のデータインスタンス（トレーニング用404、テスト用102）があります。
• 13 の属性 (特徴) が「特定の場所の住宅の中央値」を予測します
• ファイル番号: https://keras.io/datasets/

1. モデルを作成する

• KerasモデルオブジェクトはSequentialクラスを使用して作成できます。
• 最初は、モデル自体は空です。これは、追加のレイヤーを「追加」してコンパイルすることによって行われます。
• ドキュメント: https://keras.io/models/sequential/

 tensorflow.keras.modelsからSequential をインポートします
 
モデル = シーケンシャル()

1-1. レイヤーの追加

• Kerasレイヤーをモデルに「追加」することができます
• レイヤーを追加することは、レゴブロックを積み重ねるようなものである
• ドキュメント: https://keras.io/layers/core/

 tensorflow.keras.layersからActivation、Dense をインポートします
#それぞれ 10 個のニューロンを持つ2 つの隠れ層を持つKeras モデル
model. add (Dense(10, input_shape = (13,))) # 入力層 => input_shape は明示的に指定する必要があります
model.add(アクティベーション( 'シグモイド' ))
 model.add (Dense(10)) # 隠し層 =>のみ 出力ディメンションを指定する必要があります
model.add(アクティベーション( 'シグモイド' ))
 model.add (Dense(10)) # 隠し層 =>のみ 出力ディメンションを指定する必要があります
model.add(アクティベーション( 'シグモイド' ))
 model.add (Dense(1)) #出力層 =>出力次元= 1回帰問題なので
# これは上記のコードブロックと同等です
モデルを追加します(Dense(10, input_shape = (13,), activation = 'sigmoid' ))
モデルを追加します(Dense(10, activation = 'sigmoid' ))
モデルを追加します(Dense(10, activation = 'sigmoid' ))
モデル.add (密(1))

1-2. モデルのコンパイル

• Kerasモデルはトレーニング前に「コンパイル」する必要があります
• 損失タイプ（関数）とオプティマイザを指定する必要があります
• ドキュメント（オプティマイザー）: https://keras.io/optimizers/
• ドキュメント（損失）: https://keras.io/losses/

 tensorflow.kerasからオプテ​​ィマイザーをインポートする
 
 sgd = optimizers.SGD(lr = 0.01) # 確率的勾配降下法オプティマイザー
 
 model.compile(optimizer = sgd, loss = 'mean_squared_error' , metrics = [ 'mse' ]) #回帰問題では、平均二乗誤差（MSE）がよく使用されます

モデルの概要

モデル.要約()

 odel: 「シーケンシャル」  
 _________________________________________________________________
レイヤー（タイプ）出力形状パラメータ#
 =================================================================
密集（密集）（なし、10）140
 _________________________________________________________________
アクティベーション（アクティベーション）（なし、10）0
 _________________________________________________________________
密_1 (密) (なし、10) 110
 _________________________________________________________________
 activation_1 (アクティベーション) (なし、10) 0
 _________________________________________________________________
密_2 (密) (なし、10) 110
 _________________________________________________________________
 activation_2 (アクティベーション) (なし、10) 0
 _________________________________________________________________
密_3 (密) (なし、1) 11
 _________________________________________________________________
密_4 (密) (なし、10) 20
 _________________________________________________________________
密_5 (密) (なし、10) 110
 _________________________________________________________________
密_6 (密) (なし、10) 110
 _________________________________________________________________
密_7 (密) (なし、1) 11
 =================================================================
合計パラメータ: 622
トレーニング可能なパラメータ: 622
トレーニング不可能なパラメータ: 0
 _________________________________________________________________

2. トレーニング

• 提供されたトレーニングデータを使用してモデルをトレーニングする

model.fit(X_train、y_train、バッチサイズ = 50、エポック = 100、詳細 = 1)

3. 評価

• Kerasモデルはevaluate()関数を使って評価できる。
• 評価結果はリストに含まれる
• ドキュメント: https://keras.io/metrics/

結果 = model.evaluate(X_test, y_test)

 print(model.metrics_names) #モデルが使用しているメトリック名のリスト
print(results) #計算されたメトリックの実際の数値

 print( '損失: ' , 結果[0])
 print( 'mse:' , 結果[1])