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!

新規登録して質問してみよう
ただいま回答率
85.50%
機械学習

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

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。

Q&A

解決済

1回答

1554閲覧

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

bouyomisan

総合スコア87

機械学習

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

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。

0グッド

0クリップ

投稿2018/05/23 01:09

編集2018/05/24 23:43

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

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/(20000240)) ~ 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2018/05/23 14:20

mkgrei

総合スコア8560

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

bouyomisan

2018/05/24 23:50

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。
mkgrei

2018/05/26 02:09

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。
bouyomisan

2018/05/26 02:45

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!
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問