使用方法
学習・利用のステップ
Neural Designerを使って、お手持ちのデータでニューラルネットワークに学習させ、その学習済みモデルをさまざまなデータセットに対して利用することができます。
ここでは、ニューラルネットワークの設定・学習・利用の流れを簡単にご説明します。
Neural Designerでは、以下の7ステップの手順に沿ってマウス操作のみでモデルの構築をおこないます。
リンク：
- アプリケーション
- の選択
まずは、各事例の目的に合わせて、どのような種類のモデルを構築するか選択します。
- 連続的な数値を推定する【近似】
- 適した区分に振り分ける【分類】
- 変数の将来の値を予測する【時系列予測】
- データセット
- の設定
次に、後のステップで性能を確かめながら学習を進め汎用性の高いモデルを構築するため、
- 訓練用
- 検証用
- テスト用
また、各変数の分布やそれぞれの変数間の相関を計算し、どの変数を学習に使用するか選定することができます。
- ネットワーク
- 構造の設定
続いて、学習させるニューラルネットワークの構造を設定します。
どんな種類のニューロンをいくつ用いるかをここで選択します。
上手く学習をすすめるために、予測したい変数の種類やデータの質・量などに応じて適切な数と種類を設定することが重要です。
- 学習手法
- の設定
学習とは、予測値と実際の値との差が小さくなるようにパラメータを変えていく過程のことです。
このステップでは、その学習の進め方を規定する
- 【損失関数】予測値と実際の値との差の定義
- 【最適化アルゴリズム】差に応じたパラメータの変え方
- モデル
- 選択
ここでは、"訓練用データで学習し、検証用データに用いた際の性能を評価する"、というプロセスをニューロンの数を変えながら繰り返します。 多様なデータに対して性能を発揮するために重要なステップです。
適切なニューロン数を見つけるためのアルゴリズムを選択すると、それに沿って自動的に学習が進みます。
- テスト
- 分析
ここまでのステップで学習させてきたモデルの性能を、テスト用に振り分けたデータでテストし、 その結果を分析します。
各データの予測値と実際の値との差を算出するだけでなく、それらの値の分布をグラフ化したり、 相関を線型近似してデータ全域における性能を評価したりできます。
- モデル
- の利用
ここまでに構築したモデルを、学習~テストに用いたものとは別のデータに対して利用していきます。
学習が上手くいっていれば、広範なデータに対して性能を発揮するはずです。 そのようなモデルは、入力に応じた出力の変化を予測するなどして、 他のページで紹介したような種々の事例に役立てることができます。
リンク：