Auto AI を使ったらくらく機械学習

Transcript

1. Auto AI を使ったらくらく機械学習 Yasushi Osonoi Developer Advocate
2. 小薗井 康志 日本IBM Developer Advocacy Group, Client Developer Advocate ブログ： https://qiita.com/osonoi (Qiita) https://blogs.itmedia.co.jp/osonoi/ (IT Media) Twitter: @osonoi Facebook: @osonoi 珍しい名前なのでたいがい “osonoi”で発見できます。
3. ハンズオン事前準備 1. IBM Cloudアカウント(無料)の取得 2. Webブラウザー Chrome または Firefoxの導⼊
4. データ準備 https://ibm.box.com/s/kffmpnngc0mvalghb36381a5mpvas76c 上記URLからデータをダウンロードしてください。
5. 学習の⽬的とゴール ⽬的 Watson Studio概要について理解し、AutoAIを使えるように なる ゴール AutoAIを使って機械学習モデルを作成できるようになる このコースを学ぶ⽅の想定スキル EXCEL等で表データを使ったことのあるWatson Studio初⼼者 の⽅
6. ⽬次 1. 機械学習 2. Watson Studio概要 3. Watson Studio 注⽬機能 4. Auto AI 5. Auto AI 課題DEMO 6. まとめ 7. 課題
7. 1. 機械学習
8. ⼈⼯知能(AI)のサブセット(部分集合) 8 ディープ ラーンニング (深層学習) ⼈⼯知能 機械学習 機械学習は⼈⼯知能(AI)のサブセット ディープラーンニングは機械学習のサブセット
9. パターン認識と統計から進化した 機械学習は、 ルールベースのアルゴリズムに従う のではなく、 データから分類と予測を⾏うための モデル構築を⾏うことです。 9
10. © 2017 International Business Machines Corporation 今は第三次AIブーム IBM Watson事業部 / Watson⼊⾨ コレ１枚でわかる第3次AIブームとデータ流通量, http://blogs.itmedia.co.jp/itsolutionjuku/2017/04/3ai.html
11. エキスパートシステム（専門 分野に特化した人工知能) 「エキスパートシステム」は、あらかじめ「if～then」（も し～ならばこうする）をたくさん用意しておく 参照︓⼈⼯知能と機械学習の違いって︖ (NTTレゾナントxサイボウズ) https://www.slideshare.net/shuyo/ai-vsmlpublic-72939220 プログラムのフロー
12. 機械学習 Machine Learning 12 12 課題: ⼼不全がおこるかどうかを判断する *BMI: 体重kg÷(⾝⻑m*⾝⻑m) 実⾏: モデルは⼼不全の有無 を予測 学習: 学習し結果予測モデル作成のために データセットを利⽤ ⼼拍数 BMI 年齢 性別 結果 93 25 49 F False 108 24 32 M False 80 31 60 M True 93 27 58 F True ⼊⼒: ⼼拍数, BMI*, 年齢, 性別
13. 今までのやり⽅ -- Traditional 13 データ ルール if BPM-BMI > 60: result = True else: result = False 結果 アルゴリズム
14. 機械学習 Machine Learning データ ルール アルゴリズム(モデル) 結果 (学習済モデル) 学習 (パラメータ内部調整)
15. 機械学習 Machine Learning 15 データ ルール アルゴリズム(モデル) 結果 (学習済モデル) 学習 (パラメータ内部調整) ルール (学習済モデル) 予測したい データ 予測結果
16. 機械学習 教師あり学習 教師なし学習 強化学習 分類 回帰 クラスタ分析 次元削減 報酬 (Reward)
17. 教師あり学習 機械学習 教師なし学習 強化学習 回帰 Regression 分類 Classification 連続した数値を推定 Watson Studioの AutoAI機能で プログラミングなしで モデル作成が可能! 分類クラスを推定 • Decision Tree Regression • Extra Trees Regression • Gradient Boosting Regression • LGBM Regression • Linear Regression • Random Forest Regression • Ridge • XGBoost Regression • Decision Tree Classifier • Extra Trees Classifier • Gradient Boosted Tree Classifier • LGBM Classifier • Logistic Regression • Random Forest Classifier • XGBoost Classifier
18. (参考) AutoAIでサポートしているモデル(回帰) 回帰型モデルでは、次の8種類のモデルをサポートしています。 Algorithm Description Decision Tree Regression Maps observations about an item (represented in the branches) to conclusions about the item’s target value (represented in the leaves). It supports both continuous and categorical features. Extra Trees Regression An averaging algorithm based on randomized decision trees. Gradient Boosting Regression Produces a regression prediction model in the form of an ensemble of decision trees. It supports both continuous and categorical features. LGBM Regression Gradient boosting framework that uses tree-based learning algorithms. Linear Regression Models the linear relationship between a scalar-dependent variable y and one or more explanatory variables (or independent variables) x. Random Forest Regression Constructs multiple decision trees to produce the mean prediction of each decision tree. It supports both continuous and categorical features. Ridge Ridge regression is similar to Ordinary Least Squares but imposes a penalty on the size of coefficients. XGBoost Regression GBRT is an accurate and effective off-the-shelf procedure that can be used for regression problems. Gradient Tree Boosting models are used in a variety of areas including Web search ranking and ecology.
19. (参考) AutoAIでサポートしているモデル(分類) 分類型モデルでは、次の7種類のモデルをサポートしています。 Algorithm Description Decision Tree Classifier Maps observations about an item (represented in branches) to conclusions about the item’s target value (represented in leaves). Supports both binary and multiclass labels, as well as both continuous and categorical features. Extra Trees Classifier An averaging algorithm based on randomized decision trees. Gradient Boosted Tree Classifier Produces a classification prediction model in the form of an ensemble of decision trees. It only supports binary labels, as well as both continuous and categorical features. LGBM Classifier Gradient boosting framework that uses leaf-wise (horizontal) tree-based learning algorithm. Logistic Regression Analyzes a data set in which there are one or more independent variables that determine one of two outcomes. Only binary logistic regression is supported Random Forest Classifier Constructs multiple decision trees to produce the label that is a mode of each decision tree. It supports both binary and multiclass labels, as well as both continuous and categorical features. XGBoost Classifier Accurate sure procedure that can be used for classification problems. XGBoost models are used in a variety of areas including Web search ranking and ecology.
20. 2. Watson Studio概要
21. Watson Studio 概念図 エンタープライズ・カタログ (メタデータや分析資産を共有し、だれもが使える状態に) データソース 構造化 パブリック オンプレミス プライベート データ加⼯/品質確認 (プレパレーション) AI/マシン ラーニング データ可視化 ダッシュボード データへのアクセス データ蓄積 整える 分析活⽤する つなぐ データ サインティスト ビジネスプロセス スコアリング 結果 提供者の視点 利⽤者の視点 Watson Studio チームで協働する データ分析
22. Watson Studioの特徴 –分析の全プロセスで⼀貫して使えるツール - データソース カタログ 抽出 加⼯・結合 テーブル作成 (BIモデル 作成) データ 可視化 機械学習 モデル作成 特徴点 抽出 Tool A Tool B Tool C Watson Studio ガバナンス 再利⽤ 基盤担当 データ エンジニア データサイエンティスト アプリ開発者 データ ガバナンス担当 つなぐ 整える 分析活⽤する チームで協働する
23. つなぐ︓データ提供元の選択 〜収集・蓄積・仮想化〜 IBMのデータベースソリューション 他社のデータベースソリューション 様々なデータベースへのコネクタを 使って企業内のデータを仮想的に 統合活⽤する
24. 分析する︓利⽤者のレベル・経験に即したツールの提供 SPSS Modeler AutoAI GUI コーディング
25. 様々な分析ツールを選択可能 従来のデータ分析の世界では、分析者により利⽤するツールが異なり、チームメンバー間でのコラボ レーションが難しいという課題がありました。 Watson Studioでは、データ分析で標準的なツールを⼀通り備えており、どの分析者も⾃分にとって 慣れた環境をクラウド上に持つことで分析を⾏えます。 SPSS Modeler Jupyter Notebook +Python R Studio
26. 3. Watson Studio注⽬機能
27. Watson Studio 機能 • カタログ機能: Connection登録 • カタログ機能: テーブル登録 • カタログ機能: ⽂書 • Refinery: データ分析 • Refinery: データ整形 • Cognos Service: BI Tool • 機械学習⽤GUIツール (AutoAI) • SPSS modeler機能 • R Studio機能 • Jupyter Notebook機能 • 深層学習⽤GUIツール (Neural Network Designer) • 深層学習⽤GUIツール (Experiment Builder) • 深層学習⽤の実験環境(HPO)の提供 • Decision Optimizer • Machine Learning: モデル管理機能 • Machine Learning: Webサービス化 • Machine Learning: モデルの再評価、再学 習、再配置 • Visual Recognition Model作成ツール • Natural Language Classifier model作成 ツール • NeuNetS(学習データ(イメージ)に応じて最 適な深層学習モデルを⽣成)
28. 機械学習⽤GUIツール (AutoAI) • 機械学習モデルに関してはAutoAIという機能があり、機械学習に詳しくないユーザーもCSVフ ァイルの準備とマウス操作で簡単にモデルを作ることが可能です。
29. 4. AutoAI
30. AutoAIとは AutoAIは従来型の機械学習モデルを対象として、前処理、モデル選定、パラメータ チューニングなど含めたモデル最適化を⾃動的に⾏います。
31. AutoAIの⾃動学習 データ前処理 効率のいいモデル作成に必須の処理である、⽋損値の補間、データのエンコードなどを、最適 な形で⾃動的に⾏います。 モデル選定 モデル選定に関しては、少ないデータで簡易的なモデルを作成し、有⼒な候補のモデルを絞り 込む⽅式を採⽤しています。この⽅法により、少ない処理時間で効率よく精度の⾼いモデルを 選定することが可能です。候補となるモデル数は 分類型: 7種類 回帰型: 8種類です。 特徴量最適化 AutoAIでは、強化学習の仕組みを利⽤して、しらみつぶしではない効率のいい⽅法により、 精度の最適化をするための特徴量チューニングを⾏います。 ハイパーパラメータ最適化 モデルの精度に影響のある、ハイパーパラメータの最適化についても、計算資源をあまり使わ ない効率のいい⽅法で⾏います。 参照: https://dataplatform.cloud.ibm.com/docs/content/wsj/analyze-data/autoai-overview.html?audience=wdp
32. AutoAIの⾃動学習 AutoAIは、①⼊⼒となるCSVファイルと②⽬的変数だけ指定すると、あとはすべて⾃動的に最 適な機械学習モデルを⽣成します。 ① ② ③
33. AutoAIの⾃動学習 AutoAIの処理は「パイプライン」という形で、左から右に流れていきます。 現在、どの処理が⾏われているかは、Web画⾯で確認可能です。 データ前処理 モデル選定 パラメータ 最適化 特徴量 最適化
34. AutoAIの⾃動学習 最新版では、次のような画⾯で、パイプライン処理の状況を表⽰することも可能になりました。
35. AutoAIの⾃動学習 ⾃動的に作られた8つのモデルは、事前設定した評価項⽬により順位付けされて表⽰されます。
36. AutoAIの⾃動学習 「Pipneline comparison」のタブをクリックすると、評価基準ごとの順位を視覚的に確認可能です。
37. AutoAIの⾃動学習 個別の⾏をクリックすると、各モデルの詳細情報が表⽰されます。 ①ROCカーブというモデルの精度を評価するために利⽤されるグラフや、②どのような特徴量 最適化を⾏ったか、あるいは、③特徴量ごとの寄与度などが表⽰可能です。 ② ③ ①
38. (参考) AutoAIでサポートしているモデル(回帰) 回帰型モデルでは、次の8種類のモデルをサポートしています。 Algorithm Description Decision Tree Regression Maps observations about an item (represented in the branches) to conclusions about the item’s target value (represented in the leaves). It supports both continuous and categorical features. Extra Trees Regression An averaging algorithm based on randomized decision trees. Gradient Boosting Regression Produces a regression prediction model in the form of an ensemble of decision trees. It supports both continuous and categorical features. LGBM Regression Gradient boosting framework that uses tree-based learning algorithms. Linear Regression Models the linear relationship between a scalar-dependent variable y and one or more explanatory variables (or independent variables) x. Random Forest Regression Constructs multiple decision trees to produce the mean prediction of each decision tree. It supports both continuous and categorical features. Ridge Ridge regression is similar to Ordinary Least Squares but imposes a penalty on the size of coefficients. XGBoost Regression GBRT is an accurate and effective off-the-shelf procedure that can be used for regression problems. Gradient Tree Boosting models are used in a variety of areas including Web search ranking and ecology.
39. (参考) AutoAIでサポートしているモデル(分類) 分類型モデルでは、次の7種類のモデルをサポートしています。 Algorithm Description Decision Tree Classifier Maps observations about an item (represented in branches) to conclusions about the item’s target value (represented in leaves). Supports both binary and multiclass labels, as well as both continuous and categorical features. Extra Trees Classifier An averaging algorithm based on randomized decision trees. Gradient Boosted Tree Classifier Produces a classification prediction model in the form of an ensemble of decision trees. It only supports binary labels, as well as both continuous and categorical features. LGBM Classifier Gradient boosting framework that uses leaf-wise (horizontal) tree-based learning algorithm. Logistic Regression Analyzes a data set in which there are one or more independent variables that determine one of two outcomes. Only binary logistic regression is supported Random Forest Classifier Constructs multiple decision trees to produce the label that is a mode of each decision tree. It supports both binary and multiclass labels, as well as both continuous and categorical features. XGBoost Classifier Accurate sure procedure that can be used for classification problems. XGBoost models are used in a variety of areas including Web search ranking and ecology.
40. https://qiita.com/makaishi2/items/d6cd449f7a9f7186a833 5. Auto AI ハンズオン
41. 5. Auto AI ハンズオン 1. データ準備 2. Watson Studio のセットアップ 3. Watson Studio の起動 4. Watson Studio Projectの作成 5. Machine Learningサービスの作成と追加 6. Auto AI モデル作成 7. Auto AI Deploy & テスト
42. 5. Auto AI ハンズオン 1. データ準備 2. Watson Studio のセットアップ 3. Watson Studio の起動 4. Watson Studio Projectの作成 5. Machine Learningサービスの作成と追加 6. Auto AI モデル作成 7. Auto AI Deploy & テスト
43. 1. データ準備 架空の電話会社の顧客データ bank.csv を以下からダウンロードし、⾃分のPCに保存します︓ https://ibm.box.com/s/kffmpnngc0mvalghb36381a5mpvas76c 右上のダウンロードボタンをクリックして保存します。
44. 1. データ準備 テレバンキングデータ bank.csv Bank Marketing Data Setを利⽤して、電話営業先の顧 客が、商品を購⼊するかどうかを予測するモデルを作り ます。
45. Bank.csv 個人データ 成約 データ数 4521 Yes: 521 確率 521/4521 = 0.115, 11.5% ４５２１人に電話営業すると５２１人が契約してくれる。
46. 全体の流れ AutoAIプロジェクト Watson Studio(IBM Cloud Pak for Data) Bank.csv トレーニング 用データ Bankモデル モデル作成 デプロイメントステージ Bank.json (csvデータでも可能) Bankモデル Webサービス プロモートして Webサービスをデプロイ 予測結果
47. 5. Auto AIハンズオン 1. データ準備 2. Watson Studio のセットアップ 3. Watson Studio の起動 4. Watson Studio Projectの作成 5. サービスの作成と追加 6. Auto AI モデル作成 7. Auto AI Deploy & テスト
48. 48 2. Watson Studioのセットアップ • IBM Cloud ログイン アカウントをすでにお持ちの⽅は、 IBMidを⼊⼒してこちらからログインしてください https://ibm.biz/BdqAc3 にアクセスしてログインします。 • IBM Cloud ライトアカウント作成 アカウントをお持ちでない⽅は、 ご登録をお願いします
49. 1. 「カタログ」をクリック 49 2. Watson Studioのセットアップ 49
50. ２.左側のメニューから「サービス」→カテゴリ「AI」 をクリックし、 Watson Studio をクリック 2. Watson Studioのセットアップ
51. 3. リージョンの選択は「ダラス」を選択。プランは「ライト」を確認 して、右側の「作成」をクリック 2. Watson Studioのセットアップ
52. 4. 以下の画⾯が表⽰されたら作成完了です! 2. Watson Studioのセットアップ
53. 5. Auto AIハンズオン 1. Watson Studio のセットアップ 2. Watson Studio の起動 3. Watson Studio Projectの作成 4. サービスの作成と追加 5. Auto AI モデル作成 6. Auto AI Deploy & テスト
54. 54 1. ダッシュボードを表⽰ (左上のIBM Cloudロゴをクリック) 2. リソースの要約「Services」 →「Services」からWatson Studioのサー ビスを選択 3. Watson Studioの起動 もし右側にこ のような画⾯ がでてきたら、 「全詳細の表 ⽰」をクリッ クする
55. 55 3. Get Startedを選択して起動 3. Watson Studioの起動
56. 5. Auto AIハンズオン 1. データ準備 2. Watson Studio のセットアップ 3. Watson Studio の起動 4. Watson Studio Projectの作成 必要に応じてオブジェクトストレージの作成も 5. サービスの作成と追加 6. Auto AI モデル作成 7. Auto AI Deploy & テスト
57. 57 1. Create a projectをクリックします。 2. [空のプロジェクトを作成]をクリックします。 4. Projectの作成
58. 58 3. 名前に任意のプロジェクト名を⼊れます。 (Tutorialでなるべく作成してください（違う名前でもOKです）) 4. 「ストレージの定義」が表⽰されてない場合は、 下にスクロールして、「ストレージの定 義」を表⽰させます(ブラウザー表⽰が横⻑の場合は右側に表⽰されています)。 4. プロジェクトの作成
59. 5A. Object Storage未作成の場合: 5A-1. ストレージの定義 の①ストレージ・サービスの選択から「追加」 をクリックします。 4.プロジェクトの作成
60. 60 5A-2. Cloud Object Storageの画⾯が表⽰されるので下にスクロールします。 5A-3. Liteが選択されていることを確認して[Create]をクリックします。 5A-4. Confirm Creationのダイアログはそのまま[Confirm]をクリックします。 下にスクロール 4.プロジェクトの作成
61. 61 5A-5 新規プロジェクトの画⾯になるので、ストレージの定義 の②最新表 ⽰をクリックします。 5A-6 ストレージが表⽰された後、[作成]をクリックします。 4.プロジェクトの作成
62. 62 5B. Object Storage作成済の場合: 5B-1 [作成]をクリック ただしObject Storageを複数作成している場合は、使⽤したいObject Storageを選択後に[作成]をクリック 4.プロジェクトの作成
63. 63 6. プロジェクトの画⾯が表⽰されます 4.プロジェクトの作成
64. 5. Auto AIハンズオン 1. データ準備 2. Watson Studio のセットアップ 3. Watson Studio の起動 4. Watson Studio Projectの作成 5. サービスの作成と追加 6. Auto AI モデル作成 7. Auto AI Deploy & テスト
65. 5. サービスの作成と追加 65 1. [設定]をクリックします。 2.関連サービスの[サービスの追加]をクリックして [Watson]を選択
66. 3. New Serviceをクリック 4: Machine Learningを選択、Createをクリック Machine Learining の左側をチェックを⼊れて右上の”Assosiates service” をクリックします。 5. サービスの作成と追加 66
67. 5. サービスの作成と追加 67 5. 右上のxをクリック[設定] の画⾯に戻ります。 Associated servicesに追加したサービスのインスタンスが追加されてい ることを確認します。
68. 5. Auto AIハンズオン 1. データ準備 2. Watson Studio のセットアップ 3. Watson Studio の起動 4. Watson Studio Projectの作成 5. サービスの作成と追加 6. Auto AI モデル作成 7. Auto AI Deploy & テスト
69. 6. Auto AI モデル作成 69 1. 画⾯の右上にある`プロジェクトに追加`をクリックします。 2. 表⽰されたウィンドウの[AutoAI 実験]をクリックします。
70. 6. Auto AI モデル作成 70 3. 名前 : bankを⼊⼒し、 ⾃分のWatson Machine Learning サービスインスタンスがセットされてい るのを確認して、[作成]をクリック
71. 6. Auto AI モデル作成 71 4. 「1. データのダウンロード」でダウンロードしたbank.csv をドラッグ＆ドロップして データをアップロードします。 bank.csv ドラッグ＆ドロップ
72. 6. Auto AI モデル作成 72 5. 「予測列の選択」から予測したい項⽬をクリックします。STR yを選択 します。 6. 「 実験の実⾏」をクリックして、モデル作成を開始します。
73. 6. Auto AI モデル作成 73 7. 実⾏は複数のステップを経て、8つのモデルを⽣成します。このプロセ スには5〜15分かかります(このデータの場合, 時間はデータの量によりま す)。「 実験完了 」が表⽰されるまで待ちます。
74. 6. Auto AI モデル作成 74 8. 下にスクロールすると、作成されたモデルの特性がわかります。⼀番 上のモデルが設定された基準で最もよいモデルとなります。 ⼀番上の⾏をクリックして特性を⾒てみます。 評価基準(変更可能) クリック
75. 4521 x 0.1 = 453 確率 Yesだった数/Yesと予告した数 = 60.0 %
76. 6. Auto AI モデル作成 9.モデル評価、混同マトリックス、適合率/再現率(PR)曲線、モデル情報、 特徴量の重要度など、さまざまなメトリックを確認できます。 確認後、画⾯の左上にある「bankに戻る]をクリックします。 76 機能の重要度=特徴量の重要度
77. 6. Auto AI モデル作成 10. ⼀番評価の⾼いモデルを保存します。 ⼀番上のモデルの⾏にマウスカーソルを合わせると「名前を付けて保存」 というボタンが表⽰されるので、モデルをクリックします。 77
78. 6. Auto AI モデル作成 11. ドロップダウンに表⽰された「モデル」をクリックします。 78
79. 6. Auto AI モデル作成 11.モデル名をbank Modelに変更して、「保存 」ボタンをクリックします。 保存が完了すると右上に以下の右のようなウィンドウが表⽰されるので 「 プロジェクトに表⽰ 」をクリックします。 79 もし、この表⽰が消えてしまった場合は次⾴参照
80. 6. Auto AI モデル作成 11A. 「プロジェクトに表⽰ 」が消えてしまった場合は、上部ナビゲー ションよりプロジェクト名をクリック、資産タブをクリック、下にスク ロールして、モデルの下の設定したモデル名をクリック 80
81. 5. Auto AIハンズオン 1. データ準備 2. Watson Studio のセットアップ 3. Watson Studio の起動 4. Watson Studio Projectの作成 5. サービスの作成と追加 6. Auto AI モデル作成 7. Auto AI Deploy & テスト
82. 全体の流れ AutoAIプロジェクト Watson Studio(IBM Cloud Pak for Data) Bank.csv トレーニング 用データ Bankモデル モデル作成 デプロイメントステージ Bank.json (csvデータでも可能) Bankモデル Webサービス プロモートして Webサービスをデプロイ 予測結果
83. 7. Auto AI Deploy & テスト 1. デプロイメント・スペースにプロモートをクリック 新しいスペースをクリックして任意のスペース名を⼊れて作成をクリック 83
84. 7. Auto AI Deploy & テスト 1. プロモートをクリックしてください その後に右上に出てくる“デプロイメント︓スペース”をクリックしてください 84
85. 7. Auto AI Deploy & テスト 1. プロモートをクリックしてください もし緑のメニューが消えてしまった場合は左上のIBM Cloud Pak for Dataをク リック、下に出てくるデプロイメント︓スペースのスペース名（ここでは Space1)をクリックしてください 85
86. 7. Auto AI Deploy & テスト ２. モデル名の右側のアイコンをクリックしてデプロイを始めます。 86
87. 7. Auto AI Deploy & テスト ２. “スペース設定に移動”をクリック インスタンスの関連付けをクリック 87
88. 7. Auto AI Deploy & テスト 機械学習サービスの選択をクリック、出てきたMachine-Leaning**をク リック、その後保存をクリック インスタンスの関連付けをクリック 88
89. 7. Auto AI Deploy & テスト モデル名の右側のアイコンをクリックしてデプロイ開始 89
90. 7. Auto AI Deploy & テスト オンラインを選択、名前を⼊⼒、右下の作成をクリック 90 バッチを使えばCSVデータでテストができます。
91. 7. Auto AI Deploy & テスト モデル名をクリックしてください。 デプロイメントが出てきます。 91
92. 7. Auto AI Deploy & テスト テストを選択してください。 92
93. 7. Auto AI Deploy & テスト 6. そのままフォームでデータを⼊れてもできますが、今回はJSON inputア イコンをクリックして、JSONで⼊⼒します。先ほどのフォルダーの bank.jsonの中⾝を⼊⼒エリアにコピぺしします。 93 コピー& ペースト する
94. 7. Auto AI Deploy & テスト 7. 「予測」ボタンをクリックします。 右側に予測結果が表⽰されます。 この場合予測値はnoで確率(probability)は0.9822082258270104です。 94
95. 6. まとめ • Watson Studioのはデータ分析の全プロセスで⼀ 貫して使えるツール • AutoAIで簡単に機械学習モデルが作成できる
96. 他のデータセット • Day.csv (Bike Sharing Dataset) • バイクシェアの利⽤数が⽇にちごとにあります。 日付、季節、年、月、祝日、曜日、勤務日、天気、気温、体感温度、湿度、風速、臨時ユーザーの利用数、 登録ユーザーの利用数、全体ユーザーの利用数
97. 注意点 全体ユーザの利用数を予測す るモデルを作る場合 設定で 設定で臨時ユーザーの利用数、 登録ユーザーの利用数はチェックを外しておきましょう。
98. 結果
99. 7. 参考ウェブサイト
100. CSVデータを使ってテストしたい場合はこちらを参照ください。 https://qiita.com/osonoi/items/54cd435d10985b0bae61
101. IBM Code Patterns https://ibm.biz/ibmcodejp 解説 + デモ動画 + ソースコードが揃ったアプリ開発パターン集
102. 開発者向けサイト IBM Developer https://ibm.biz/IBMDevJP 最新情報やスキルアップに役⽴つ6,000を超える技術記事を提供
103. 免責事項 103 IBM Developer Dojoは開発者の⽅を対象に、IBM Cloudを主とした技術情報をお伝えする⽬的で開催しています。 講師や運営スタッフにより、開催毎に最適と判断した内容でお届けしています。 現在、ハンズオンを伴う講義はお客様の費⽤負担がない環境と⼿順でご案内しています。講義終了後、不要に なりました制作物はお客様ご⾃⾝で削除をお願いいたします。クレジットカードの登録が伴わない場合、費⽤は ⼀切発⽣致しませんが、ご登録いただいたお客様はご注意ください。 講師陣はみなさまの利⽤状況を個別に確認することはできません。 ご理解とご協⼒をお願いいたします。 利⽤したサービスの削除⽅法については講義の中でご案内します。 ご不明な点がございましたら、当⽇確認をお願いいたします。 講義終了後、 IBM Developer Dojoに関するお問い合わせは「Slack」にお願いします。それ以外のIBM Cloudの お問い合わせにつきましては、弊社サポートセンターまで、次のいづれかの⽅法でお問い合わせください。 IBM Cloudダッシュボードの「サポート」メニューから「Case」を作成し、英語でご記⼊ください IBM Cloudサポートセンター「相談する」ボタンからチャットまたは電話でご連絡ください https://www.ibm.com/jp-ja/cloud/support ご参加ありがとうございました。