質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.32%

  • Python

    9225questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    769questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

python機械学習プログラミングの8章アウトオブコア学習について

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 392

bouyomisan

score 79

8章では機械学習の適用例として感情分析が挙げられています。8.2章ではグリッドサーチなどを使って文章を学習した時、完了するまで40分くらいかかりました。しかし8.3章でアウトオブコア 学習という手法を使うと1分くらいで学習が終了しました。

アウトオブコアの実装内容が理解できなかったのですが、なぜこのように高速に学習を終えるのかを教えてください。

from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import GridSearchCV

tfidf = TfidfVectorizer(strip_accents=None,
                        lowercase=False,
                        preprocessor=None)

param_grid = [{'vect__ngram_range': [(1, 1)],
               'vect__stop_words': [stop, None],
               'vect__tokenizer': [tokenizer, tokenizer_porter],
               'clf__penalty': ['l1', 'l2'],
               'clf__C': [1.0, 10.0, 100.0]},
              {'vect__ngram_range': [(1, 1)],
               'vect__stop_words': [stop, None],
               'vect__tokenizer': [tokenizer, tokenizer_porter],
               'vect__use_idf':[False],
               'vect__norm':[None],
               'clf__penalty': ['l1', 'l2'],
               'clf__C': [1.0, 10.0, 100.0]},
              ]

lr_tfidf = Pipeline([('vect', tfidf),
                     ('clf', LogisticRegression(random_state=0))])

gs_lr_tfidf = GridSearchCV(lr_tfidf, param_grid,
                           scoring='accuracy',
                           cv=5,
                           verbose=1,
                           n_jobs=-1)
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

+2

GridSearchではFitting 5 folds for each of 48 candidates, totalling 240 fitsです。
それぞれのfitでは20000個のデータを学習に使っています。
これにかかる時間は40分程度と書かれています。

これに対して、SGDでは全部で45000個のデータを学習に使っています。
これにかかる時間は40秒と書かれています。

単純に計算してみると、GridSearchでの学習速度で45000個のデータを学習させるのに必要な時間は、
40分*60秒 * (45000/(20000*240)) ~ 22秒
となっています。

アウトオブコア学習では、データを一気にメモリ上に読み込んでいないせいで、その分遅くなっているものだと思われます。
それでも、ハイパーパラメータチューニングを省いているので、見た目実行時間が短縮されています。
高速に学習できるようになったというより、てきとーにやってもそれなりの性能が出ていることを示したように思います。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/05/25 08:50

    なるほど、GridSearchではもっとも有効なパラメーターを探すためになんども繰り返し行っているために反復時間がかかっているということですね。2万個のデータを240回繰り返し解析しているからその分時間がかかると。
    わざわざ計算もして下さっていてありがとうございます!

    回答して下さった文の中でわからないところがあるので一つ質問させてください。
    `Fitting 5 folds for each of 48 candidates, totalling 240 fits`
    とかかれていますが、この48というのはどこから出てきた数字なのでしょうか?

    コードを追記したのですが clf__penaltyが2つ、clf__Cが3つの数値をもちそれが2セットあるから 2*3*2 = 12 となるのかなあと思ったのですが、数値が会いませんでした。

    キャンセル

  • 2018/05/26 11:09

    残りのものはvect_の方です。
    stopwordとtokenizerでさらに2×2の組み合わせがあります。

    キャンセル

  • 2018/05/26 11:45

    なるほど、これで数値が合いました。2x2x2x3=24 のセットが2つあるから48.
    5分割しているから 48 x 5 = 240と。理解できました。ありがとうございます!

    キャンセル

同じタグがついた質問を見る

  • Python

    9225questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    769questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。