ClassificationNeuralNetwork Predict ブロックの使用によるクラス ラベルの予測

この例では次を使用します。

ライブ スクリプトを開く

この例では、ClassificationNeuralNetwork Predictブロックを Simulink® のラベル予測に使用する方法を示します。このブロックは、観測値 (予測子データ) を受け入れて、学習済みのニューラル ネットワーク分類モデルを使用することにより、その観測値の予測されたクラス ラベルとクラス スコアを返します。

ニューラル ネットワーク分類器の学習

ニューラル ネットワーク分類器に学習させ、テスト セットで分類器の性能を評価します。

humanactivity データ セットを読み込みます。このデータ セットには、人間の次の 5 種類の身体動作についての 24,075 個の観測値が含まれています。座る、立つ、歩く、走る、踊るです。各観測値には、スマートフォンの加速度センサーによって測定された加速度データから抽出した 60 個の特徴量が含まれています。

load humanactivity

24,075 個の観測値に対する 60 個の特徴量を格納する数値行列として予測子 X を作成します。活動 ID を整数で格納する数値ベクトルとしてクラス ラベル Y を作成します。1 ～ 5 はそれぞれ、座る、立つ、歩く、走る、踊る、を表します。

X = feat;
Y = actid;

Y のクラス情報を使用して、観測値を階層的に学習セットとテスト セットに無作為に分割します。観測値の約 80% をニューラル ネットワーク モデルの学習に使用し、観測値の約 20% を学習済みモデルの新しいデータでの性能のテストに使用します。 

rng("default") % For reproducibility of the partition
cv = cvpartition(Y,"Holdout",0.20);

学習インデックスとテスト インデックスを抽出します。

trainingInds = training(cv);
testInds = test(cv);

学習データ セットとテスト データ セットを指定します。

XTrain = X(trainingInds,:);
YTrain = Y(trainingInds);
XTest = X(testInds,:);
YTest = Y(testInds);

学習データ XTrain および YTrain を関数 fitcnet に渡して、ニューラル ネットワーク分類器に学習させます。最初の全結合層の出力数を 40、2 番目の全結合層の出力数を 20 に指定します。

nnetMdl = fitcnet(XTrain,YTrain,"LayerSizes",[40 20])
nnetMdl = 
  ClassificationNeuralNetwork
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: [1 2 3 4 5]
           ScoreTransform: 'none'
          NumObservations: 19260
               LayerSizes: [40 20]
              Activations: 'relu'
    OutputLayerActivation: 'softmax'
                   Solver: 'LBFGS'
          ConvergenceInfo: [1×1 struct]
          TrainingHistory: [1000×7 table]


  Properties, Methods

nnetMdl は学習させた ClassificationNeuralNetwork モデルです。ドット表記を使用して nnetMdl のプロパティにアクセスできます。たとえば、nnetMdl.TrainingHistory と指定すると、ニューラル ネットワーク モデルの学習履歴についての詳細情報を取得できます。

テスト セットの分類精度を計算して、テスト セットで分類器の性能を評価します。

testError = loss(nnetMdl,XTest,YTest,"LossFun","classiferror");
testAccuracy = 1 - testError
testAccuracy = 
0.9825

Simulink モデルの作成

この例では、ClassificationNeuralNetwork Predictブロックを含む Simulink モデル slexClassificationNeuralNetworkPredictExample.slx が用意されています。この節の説明に従って、この Simulink モデルを開くことも、新しいモデルを作成することもできます。

指定されたモデルを開く

Simulink モデル slexClassificationNeuralNetworkPredictExample.slx を開きます。

SimMdlName = 'slexClassificationNeuralNetworkPredictExample';
open_system(SimMdlName)

Simulink モデルを開くと、Simulink モデルを読み込む前に、ソフトウェアがコールバック関数 PreLoadFcn のコードを実行します。slexClassificationNeuralNetworkPredictExample のコールバック関数 PreLoadFcn には、学習済みモデルの変数 nnetMdl がワークスペースにあるかどうかをチェックするコードが含まれています。ワークスペースに変数がない場合、PreLoadFcn は標本データを読み込み、ニューラル ネットワーク モデルに学習させ、Simulink モデルの入力信号を作成します。コールバック関数を表示するには、[モデル化] タブの [設定] セクションで、[モデル設定] をクリックし、[モデル プロパティ] を選択します。次に、[コールバック] タブで、[モデルのコールバック] ペインのコールバック関数 PreLoadFcn を選択します。

新規モデルの作成

指定されたモデルを開く代わりに新規モデルを作成できます。新しい Simulink モデルを作成するには、[空のモデル] テンプレートを開き、ClassificationNeuralNetwork Predict ブロックを追加します。Inport ブロックと Outport ブロックを追加して、それらを ClassificationNeuralNetwork Predict ブロックに接続します。

ClassificationNeuralNetwork Predict ブロックをダブルクリックして、[ブロック パラメーター] ダイアログ ボックスを開きます。学習済みのニューラル ネットワーク モデルを含むワークスペース変数の名前を指定できます。既定の変数名は nnetMdl です。[リフレッシュ] ボタンをクリックします。ダイアログ ボックスの [Trained Machine Learning Model] セクションに、モデル nnetMdl の学習に使用されるオプションが表示されます。[Add output port for predicted class scores] チェック ボックスをオンにして、2 番目の出力端子 score を追加します。

ClassificationNNPredict.png

ClassificationNeuralNetwork Predict ブロックには、60 個の予測子の値を含む観測値が必要です。Inport ブロックをダブルクリックし、[信号属性] タブで [端子の次元] を 60 に設定します。

Simulink モデルの構造体配列の形式で、入力信号を作成します。構造体配列には、次のフィールドが含まれていなければなりません。

  • time — 観測値がモデルに入力された時点。方向は予測子データ内の観測値に対応しなければなりません。この例の場合は time が列ベクトルでなければなりません。

  • signals — values フィールドと dimensions フィールドが含まれている、入力データを説明する 1 行 1 列の構造体配列。values は予測子データの行列、dimensions は予測子変数の個数です。

将来の人の行動に適切な構造体配列を作成します。

activityInput.time = (0:length(YTest)-1)';
activityInput.signals(1).values = XTest;
activityInput.signals(1).dimensions = size(XTest,2);

ワークスペースから信号データをインポートします。

  • [コンフィギュレーション パラメーター] ダイアログ ボックスを開く。[モデル化] タブで、[モデル設定] をクリック。

  • [データのインポート/エクスポート] ペインで [入力] チェック ボックスをオンにし、隣のテキスト ボックスに「activityInput」と入力。

  • [ソルバー] ペインの [シミュレーション時間] で、[終了時間] を activityInput.time(end) に設定。[ソルバーの選択] で、[タイプ] を Fixed-step に、[ソルバー] を discrete (no continuous states) に設定。

詳細は、シミュレーションのための信号データの読み込み (Simulink)を参照してください。

モデルをシミュレーション

モデルをシミュレートします。

sim(SimMdlName);

Inport ブロックでは、観測値を検出すると、その観測値を ClassificationNeuralNetwork Predict ブロックに配置します。シミュレーション データ インスペクター (Simulink)を使用して、Outport ブロックのログ データを表示できます。

参考

トピック