Deep Learningとその他の機械学習手法の性能比較

Rでディープラーニングとそれ以外の機械学習手法を比較した記事を見つけた。H2Oっていうディープラーニングに対応したR言語用のパッケージがあるのね。
使用するデータはサンプルデータでおなじみの「Iris flower data set」。アヤメの花びらの幅、長さ、がくの幅、長さ、種類の統計情報で、Rや、Pythonの機械学習ライブラリだと標準で入っていたりするデータ。scikit-learnにも入ってたな。

この記事では、このデータを使ってアヤメの種類を予測を行い、精度を比較している。↓
Deep Learningの性能を見てみよう ~Iris編~

Deep Learningの性能比較対象として以下の機械学習の手法を用いました。

  • 決定木
  • ランダムフォレスト
  • Extremely Randomized Trees (ERT)
  • サポートベクターマシーン
  • ニューラルネットワーク
  • ブースティング(adaboost/弱学習器は決定木)
  • バギング(弱学習器は決定木)

Deep Learningを含め、それぞれの手法はハイパーパラメータによって性能が変わりますが、今回は単純にRのパッケージのデフォルト値を用いています。
(中略)
Deep Learningが他の手法を抑えてエラー率が一番小さい結果となりました。学習器がランダム性を含んでいるものもあるので、乱数を変えて行うと多少違う結果を得ることになりますが、今回のケースでは乱数を変えて行ってもDeep Learningのエラー率が一番小さくなることが多い結果となりました。

元記事ではRのサンプルコードと、エラー率をプロットした図が載ってる。機械学習手法は、パラメータ調整でパフォーマンスが結構変動するので、デフォルトパラメータでの比較だけでは語れないわけだけど、なんとなくディープラーニングだけ他とは桁外れな感じではある。

そして、こっちでもH2Oを使って別のデータを試している。データセットが少ないと結果にかなり変動があるらしい。↓
H2OのRパッケージ{h2o}でお手軽にDeep Learningを実践してみる(1):まずは決定境界を描く

元々H2Oはin-memoryプラットフォームとしてHadoop上や最近だとSpark上で動かすのを前提として配布されているデータ分析&機械学習フレームワークなんですが、何故かRパッケージも配布してるんですね。
(中略)
で、3000×7および100×2という2つのデータセットに対してやってみた結果なんですが、h2o.deeplearningの挙動を見た感じだとめちゃくちゃ不安定なんですよね。というか、チューニング次第でいかようにも決定境界が好き放題変わってしまうというイメージ。。。これは正直ちょっと意外でした。けれどもよくよく考えたらそれでも当然なのかなぁと。

理由はいくつか考えられて、まずそもそもそんな小さなサンプルサイズのデータセットに使うものじゃないんじゃないか?ということ。むしろ3000×7とか100×2みたいなスモールデータにDeep Learningを使うのが間違ってるだろ!ということなんでしょうが、言い換えると「とてもじゃないが精度と汎化性能の両立が従来の分類器では達成しようがないような巨大データに対してDeep Learningを用いるべき」ということなのかなぁと。

関連記事

士郎正宗の世界展〜「攻殻機動隊」と創造の軌跡〜

BGSLibrary:OpenCVベースの背景差分ライブラリ

胡散臭いデザインの参考サイト

Google App Engine上のWordPressでFlickrの画像を貼る

ファースト・クラス・ゴシップ「白雪の部屋」第2弾

AmazonEC2のインスタンスをt1.microからt2.microへ移行する

今年もSSII

カメラ付きの空飛ぶリストバンドで自撮りする発明(ウェアラブル・ドローン)

『ヒカリ展』に行ってきた

Twitter APIのPythonラッパー『python-twitter』

iPhoneをエレキギターのアンプにする

全脳アーキテクチャ勉強会

Raspberry Pi

OpenCV

Unity ARKitプラグインサンプルのドキュメントを読む

C++の抽象クラス

viser:Pythonで使える3D可視化ライブラリ

DCGAN (Deep Convolutional GAN):畳み込みニューラルネットワークによる敵...

犬が電柱におしっこするように、僕はセカイカメラでエアタグを貼る(初日の感想)

モバイルに最適なBluetoothワイヤレスマウス 『CAPCLIP』

Structure from Motion (多視点画像からの3次元形状復元)

パルクール(Parkour)

ミニ四駆にステアリングを仕込んだ人

Fast R-CNN:ディープラーニングによる一般物体検出手法

iOSで使えるJetpac社の物体認識SDK『DeepBelief』

iPhoneアプリ開発 Xcode 5のお作法

UnityでTweenアニメーションを実装できる3種類の無料Asset

WordPressのサーバ引っ越し方法を考える

Dlib:C++の機械学習ライブラリ

OpenCV 3.1のsfmモジュールを試す

Amazon Web ServicesでWordPress

CycleGAN:ドメイン関係を学習した画像変換

仮想関数

Pythonの自然言語処理ライブラリ『NLTK(Natural Language Toolkit)』

Accord.NET Framework:C#で使える機械学習ライブラリ

ドラマ『ファースト・クラス』第2弾 10月から放送

SegNet:ディープラーニングによるSemantic Segmentation手法

uvでWindows11のPython環境を管理する

天体写真の3D動画

GoogleのDeep Learning論文

『手を動かしながら学ぶエンジニアのためのデータサイエンス』ハンズオンセミナーに行ってきた

PCの自作

コメント