機械学習 深層学習 正解率 回帰問題

Question

前提・実現したいこと

機械学習初心者です．
持っているデータを学習用データとテスト用データに分けて学習モデルの作成を試みています．
機械学習は分類問題の例が多いため，分類問題のページをを参考にしながら回帰問題に取り組んでいます．参考にさせて頂いたサイトはこちらです．
https://qiita.com/Nezura/items/87985d24c3559c504759

１，leran関数から出力される，y_trainの数値が小さい
２，予測値と正解値を用いて正解率を変更したいのですが以下のエラーがででしまいます．

発生している問題・エラーメッセージ

Traceback (most recent call last):
  File "C:/Users/edpl-np2/PycharmProjects/test1/DNN.py", line 130, in <module>
    train_rate, train_err = accuracy_rate(y_train, t_train), squared_error(y_train, t_train)
  File "C:/Users/edpl-np2/PycharmProjects/test1/DNN.py", line 97, in accuracy_rate
    if (error >= 1) and (error <= 1):
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

該当のソースコード

import numpy as np

# affine変換 入力層と中間層(1)の間
def affine(z, w, b):
    return np.dot(z, w) + b

# affine変換勾配　
def affine_back(du, z, w, b):
    dz = np.dot(du, w.T)
    dw = np.dot(z.T, du)
    db = np.dot(np.ones(z.shape[0]).T, du)
    return dz, dw, db

# 活性化関数(シグモイド)　中間層
def sigmoid(u):
    return 1 / (1 + np.exp(-u))

# 活性化関数(シグモイド)勾配　中間層の勾配　
def sigmoid_back(u):
    return (1 - sigmoid(u)) * sigmoid(u)
# 活性化関数(恒等関数)　出力層
def identity(u):
    return u

# 二乗和誤差：回帰問題でもちいる
def squared_error(y, t):
    return 0.5 * np.sum((y - t) ** 2) / y.shape[0]

# 誤差(二乗和誤差）＋活性化関数(恒等関数)勾配　　
def identity_mean_squared_error_back(y, t):
    return (y - t) / y.shape[0]

# 学習部分
def learn(x, t, w1, b1, w2, b2, w3, b3, lr):
    # 順伝播　(入力データから、予測データを求めるまで)
    u1 = affine(x, w1, b1)
    z1 = sigmoid(u1)
    u2 = affine(z1, w2, b2)
    z2 = sigmoid(u2)
    u3 = affine(z2, w3, b3)
    y = identity(u3)
    # 逆伝播 (勾配の計算を求め、重みの更新を行う部分)
    dy = identity_mean_squared_error_back(y,t)
    dz2, dw3, db3 = affine_back(dy, z2, w3, b3)
    du2 = sigmoid_back(u2)
    dz1, dw2, db2 = affine_back(du2, z1, w2, b2)
    du1 = sigmoid_back(u1)
    dx, dw1, db1 = affine_back(du1, x, w1, b1)
    # 重み、バイアスの更新
    w1 = w1 - lr * dw1
    b1 = b1 - lr * db1
    w2 = w2 - lr * dw2
    b2 = b2 - lr * db2
    w3 = w3 - lr * dw3
    b3 = b3 - lr * db3

    return w1, b1, w2, b2, w3, b3


def predict(x, w1, b1, w2, b2, w3, b3):
    # 順伝播
    u1 = affine(x, w1, b1)
    z1 = sigmoid(u1)
    u2 = affine(z1, w2, b2)
    z2 = sigmoid(u2)
    u3 = affine(z2, w3, b3)
    y = identity(u3)
    return y

# 実行プログラム

# 地震データ読み込み
import pandas as pd
from sklearn.model_selection import train_test_split

df = pd.read_csv('earthquake.csv')

# データの作成 説明変数・目的変数分ける
df_x = df.drop("regulatory period", axis=1)
df_t = df["regulatory period"]

#正解データを一次元配列から二次元配列に変換
df_t_s=df_t.values
df_t_a=np.reshape(df_t_s, [111, 1])
# 説明変数・目的変数をそれぞれ訓練データ・テストデータに分割
x_train, x_test, t_train, t_test = train_test_split(df_x, df_t_a, test_size=0.3)

#正解率
def accuracy_rate(y, t):
    error = y - t
    if (error >= 1) and (error <= 1):
        allow_error = y
    return np.sum(allow_error) / y.shape[0]

# ノード数設定
d0 = x_train.shape[1]
d1 = 100  # 1層目のノード数
d2 = 50  # 2層目のノード数
d3 = 1

# 重みの初期化(-0.1～0.1の乱数)
np.random.seed(8)
w1 = np.random.rand(d0, d1) * 0.2 - 0.1
w2 = np.random.rand(d1, d2) * 0.2 - 0.1
w3 = np.random.rand(d2, d3) * 0.2 - 0.1

# バイアスの初期化(0)
b1 = np.zeros(d1)
b2 = np.zeros(d2)
b3 = np.zeros(d3)

# 学習率
lr = 0.5
# バッチサイズ
batch_size = 3
# 学習回数
epoch =100

# 予測（学習データ）
y_train = predict(x_train, w1, b1, w2, b2, w3, b3)
# 予測（テストデータ）
y_test = predict(x_test, w1, b1, w2, b2, w3, b3)
# 正解率、誤差表示
train_rate, train_err = accuracy_rate(y_train, t_train), squared_error(y_train, t_train)
test_rate, test_err = accuracy_rate(y_test, t_test), squared_error(y_test, t_test)
print("{0:3d} train_rate={1:6.2f}% test_rate={2:6.2f}% train_err={3:8.5f} test_err={4:8.5f}".format((0), train_rate*100, test_rate*100, train_err, test_err))


for i in range(epoch):
        # 学習
        for j in range(0, x_train.shape[0], batch_size):
            w1, b1, w2, b2, w3, b3 = learn(x_train[j:j + batch_size], t_train[j:j + batch_size], w1, b1, w2, b2, w3, b3,lr)
        # 予測（学習データ）
        y_train = predict(x_train, w1, b1, w2, b2, w3, b3)
        # 予測（テストデータ）
        y_test = predict(x_test, w1, b1, w2, b2, w3, b3)
        # 正解率、誤差表示
        train_rate = accuracy_rate(y_train, t_train)
        test_rate = accuracy_rate(y_test, t_test)
        print("{0:3d} train_rate={1:6.2f}% test_rate={2:6.2f}% train_err={3:8.5f} test_err={4:8.5f}".format((i + 1),train_rate * 100,test_rate * 100,train_err,test_err))
print(batch_size, epoch)

def accuracy_rate(y, t):
    error = y - t
    if (error >= 1) and (error <= 1):
        allow_error = y
    return np.sum(allow_error) / y.shape[0]

予測値が正解データとプラスマイナス１の値であれば正解数を増やし，正解率を出力するというコードを書こうとしました

試したこと

1,leran関数から出力される，y_trainの数値が小さい
に関しては手計算で確かめてみたのですが，関数自体は間違っていなそうでした．

色々調べてみたのですが，慣れ親しんでいない自分にはお手上げ状態でした．．．少しの情報でもいいのでどうかご教授願います．質問に関して不明な点があれば返信よろしくお願いします．

補足情報（FW/ツールのバージョンなど）

Windows 7 Professional
python 3.6.7

Answer 1

https://teratail.com/questions/163741

これと同じような問題のような気がします
このリンクを参照してみてください

Comments

[hfha]

ありがとうございます．
all()について調べてみたところ，
https://note.nkmk.me/python-all-any-usage/　
の記事に，条件式かつ数をカウントできるsum()を見つける事ができ，以下のように変更できました．

#正解率
def accuracy_rate(y, t):
error = y - t
allow_error=sum((i >= -1) and (i <= 1) for i in error)
return allow_error / y.shape[0]

質問２に関して解決することができました．助かりました．ありがとうございます！