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。

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: [1x1 struct]
          TrainingHistory: [1000x7 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 = 0.9821

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。[更新] 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。

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。