例えば毎日 9 時に適当な URL に GET リクエストを送信します
New Applet
「+this」
Date&Timer
「Every day at」
「09 AM」->「Create trigger」
「that」
Webhooks
「Make a web request」
「URL」「Method」「Content Type」「Body」を適当に入力 -> Create
で終わりです
必要であれば Check now してください
自分は heroku 上にデプロイしたボットにリクエスト送ってます
mysql2 というライブラリを使って基本操作をしてみました
ruby-mysql という Pure Ruby のライブラリもあるようですが mysql2 のほうがメンテもされているようなのでオススメです
MySQL 自体は今回 brew を使ってインストールしてしまいました
ライブラリは RubyGems から引っ張ってきます
gem "mysql2"bundle install --path vendormysql> create database test;
Query OK, 1 row affected (0.01 sec)
mysql> use test
Database changed
mysql> create table user (id int primary key, name varchar(20), age int, height int, weight int);
Query OK, 0 rows affected (0.03 sec)でテーブルを作成しました
定義の詳細は以下の通りです
mysql> show create table user \G
*************************** 1. row ***************************
Table: user
Create Table: CREATE TABLE `user` (
`id` int(11) NOT NULL,
`name` varchar(20) DEFAULT NULL,
`age` int(11) DEFAULT NULL,
`height` int(11) DEFAULT NULL,
`weight` int(11) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8
1 row in set (0.00 sec)require 'mysql2'
client = Mysql2::Client.new(:host => "localhost", :username => "root", :database => 'test')
users = [
['pika', 17, 80, 50],
['kai', 52, 180, 120],
['yado', 34, 120, 150],
['pijo', 23, 90, 60],
['koda', 2, 70, 65],
['kora', 10, 35, 30],
]
users.each.with_index(1) { |user, index|
query = "insert into user values (#{index}, #{user.map { |v| v.instance_of?(String) ? "'#{v}'" : v }.join(',')})"
p results = client.query(query)
p client.affected_rows
}で結果は以下の通りです
mysql> select * from user;
+----+------+------+--------+--------+
| id | name | age | height | weight |
+----+------+------+--------+--------+
| 1 | pika | 17 | 80 | 50 |
| 2 | kai | 52 | 180 | 120 |
| 3 | yado | 34 | 120 | 150 |
| 4 | pijo | 23 | 90 | 60 |
| 5 | koda | 2 | 70 | 65 |
| 6 | kora | 10 | 35 | 30 |
+----+------+------+--------+--------+
6 rows in set (0.00 sec)insert 時の結果は何も返ってこないようです
もし insert できた行数が必要な場合はクライアントオブジェクトの affected_rows を参照すると追加したレコードの行数が返ってきます
ちなみに今回は id に PRIMARY_KEY を張っているので同じスクリプトを 2 回流すと Duplicate entry '1' for key 'PRIMARY' (Mysql2::Error) のエラーが発生します
require 'mysql2'
client = Mysql2::Client.new(:host => "localhost", :username => "root", :database => 'test')
query = "select * from user"
p results = client.query(query)
statement = client.prepare("select * from user where height >= ?")
conditions = [10, 100, 200]
conditions.each { |height|
puts height
results = statement.execute(height)
results.each { |row|
puts row.map { |k, v| "#{k} => #{v}" }.join(', ')
}
}10
id => 1, name => pika, age => 17, height => 80, weight => 50
id => 2, name => kai, age => 52, height => 180, weight => 120
id => 3, name => yado, age => 34, height => 120, weight => 150
id => 4, name => pijo, age => 23, height => 90, weight => 60
id => 5, name => koda, age => 2, height => 70, weight => 65
id => 6, name => kora, age => 10, height => 35, weight => 30
100
id => 2, name => kai, age => 52, height => 180, weight => 120
id => 3, name => yado, age => 34, height => 120, weight => 150
200PreparedStatement も使えます
results は Mysql2::Result クラスのオブジェクトです
中身を確認する場合は基本これを each などします
クエリ自体の状態を確認したい場合は query_was_slow などのプロパティを参照することで確認できます
require 'mysql2'
client = Mysql2::Client.new(:host => "localhost", :username => "root", :database => 'test')
target_users = [
[1, 'raichu'],
[6, 'ratta'],
]
target_users.each { |user|
results = client.query("update user set name = '#{user[1]}' where id = #{user[0]}")
p results
p client.affected_rows
}insert の時と挙動は同じです
require 'mysql2'
client = Mysql2::Client.new(:host => "localhost", :username => "root", :database => 'test')
ids = [2, 3]
ids.each { |id|
results = client.query("delete from user where id = #{id}")
p results
p client.affected_rows
}こんな感じです
mysql2 を使って Ruby から MySQL の簡単な操作をしてみました
基本は文字列でクエリを作って実行するだけなので簡単にできます
トランザクションの機能はないっぽいので自分で実装する必要があります
https://stackoverflow.com/questions/9288593/how-do-i-perform-transactions-with-ruby-mysql2?utm_medium=organic&utm_source=google_rich_qa&utm_campaign=google_rich_qa
また active_record のようにモデルを自動生成やマイグレート機能があるわけではないので、その辺も必要な場合は自分で実装する必要があります
とりあえずサクッと MySQL に問い合わせたいときに使う感じかなと思います
DockerHub で公開されている nodejs の公式イメージを使うとタイムゾーンは UTC になっています
イメージ自体のタイムゾーンを JST にしても良いですが nodejs 上変換することもできるようなので紹介します
npm install moment-timezone --savenpm test でメインのスクリプトを実行できるようにしておきます
{
"name": "jst",
"version": "1.0.0",
"description": "",
"main": "date.js",
"scripts": {
"test": "node date.js"
},
"author": "",
"license": "ISC",
"dependencies": {
"moment-timezone": "^0.5.14"
}
}今回は普通の Date クラスと moment-timezone を使った場合の時刻の違いを見ていきます
d = new Date();
console.log(d.getHours());
var moment = require('moment-timezone');
today = moment().tz("Asia/Tokyo");
console.log(today.get('hours'));こんな感じです
ローカルの Mac はタイムゾーンが JST なので実行すると同じ時刻が表示されると思います
サンプルコードを Docker 上で実行してみましょう
FROM node
ADD . /home
WORKDIR /home
RUN npm install
CMD ["npm", "test"]docker build -t date_test .docker run --rm date_testで実行すると
0
9という感じで 9 時間差があることがわかると思います
タイムゾーンを気にして時刻を扱う場合は moment-timezone というライブルを使うのが定石っぽいです
OpenAI Gym は強化学習をゲームなどを使って学ぶことができる学習ツールです
今回は入門ということで「CartPole」問題に挑戦してみました
実際にコーディングしつつ変数などの値をデバッグすることで理解を深めていきたいと思います
CartPole 問題はカート上に置かれた棒を左右に動かしていかに長く棒を倒さないかを求めるゲームです
GUI を使って動作させることができるのでとりあえず動かせる状況を作ります
import gym
env = gym.make('CartPole-v0')
for i_episode in range(20):
observation = env.reset()
for t in range(100):
env.render()
print(observation)
action = env.action_space.sample()
print(env.action_space)
print(env.observation_space)
print(env.observation_space.high)
print(env.observation_space.low)
observation, reward, done, info = env.step(action)
print(reward)
if done:
print("Episode finished after {} timesteps".format(t+1))
breakこれでとりあえず実行してみると CartPole の GUI が表示されてある程度すると終了すると思います
やっていることとしては 20 エピソードテストしてそのテスト内で 100 ステップカートを動かして 100 ステップ完走すれば成功で 100 ステップ完走するまえに if done に行ってしまうと失敗です
実行してみるとわかりますがだいたい 20 - 30 ステップくらいで全エピソードが done してしまっているのがわかると思います
ところどころ print 文をあえて入れています
import 文のところは特に問題ないと思います
env = gym.make('CartPole-v0') ですがこれで CartPole 問題の環境を呼び出しています
OpenAI Gym ではこれ以外にも様々な環境が用意されており、それぞれで強化学習を学ぶためのデータやアクションがすでに実装されています
OpenAI Gym ではそれらのデータやアクションを使って自分なりのロジックを少し付け加えることで強化学習を簡単に学べる仕組みになっています
for i_episode in range(20): エピソードを 20 回実行します
要するにテストする回数です
20 でなくても問題ないですがとりあえず 20 にします
observation = env.reset() これで CartPole 問題をスタートします
返り値として observation が返ってきます
これが所謂「状態」を表す変数となっており CartPole 問題の場合は 4 つの変数が入った配列になっています
状態を表す変数はそれぞれ
となっており reset 直後はスタート直後の棒とカートの状態を取得することができます
print 文をしているので実際に値を確認してみると良いと思います
for t in range(100): はエピソード内で 100 ステップ実行しろという命令になります
冒頭説明しましたがこの 100 ステップの間棒が倒れなければクリアになります
env.render() これは observation に応じて GUI をレンダリングしているだけです
action = env.action_space.sample() で次に取るアクションを決めます
まず env.action_space を見てみると Discrete クラスのオブジェクトだということがわかります
値は 2 となっており要するにカートが取ることができるアクションの種類を管理しています
今回であれば 1 -> 右にカートを動かす, 0 -> 左にカートを動かすの 2 種類を選択することができます
そしてそれに対して .sample() することで 1 or 0 のどちらかをランダムで取得するということをしています
ようするに env.action_space.sample() はランダムでカートを動かすという命令になります
次の行動が決まったらそれを実行するだけです
observation, reward, done, info = env.step(action) で action を引数にすることで実行できます
実行後は 4 つの値が返ってきます
それぞれ
になります
reward を print していますが中身を見てみると毎回 1.0 が得られていることがわかると思います
action 後もし棒が倒れていないのであれば 1.0 sec の報酬が得られるようです
if done: はエピソードの終了処理になります
内容は何ステップ実行できたかを print しているだけです
説明は以上になります
要するにサンプルはカートを左右ランダムに動かしているだけになります
当たり前ですが何も考えずランダムにカートを動かしているだけではすぐに棒は倒れてしまいます
では何をしなければ行けないかというと observation (状態) に応じて次に取るべき action (行動) を決めなければいけません
棒がもっと長く立っていられるように変更してみます
import gym
import numpy
env = gym.make('CartPole-v0')
loop = 100
for i_episode in range(20):
observation = env.reset()
for t in range(loop):
env.render()
sum = numpy.sum(observation)
action = 0
if sum > 0:
action = 1
observation, reward, done, info = env.step(action)
if done:
print("Episode finished after {} timesteps with done".format(t + 1))
break
elif t == loop - 1:
print("Episode finished after {} timesteps with count".format(t + 1))ポイントは
sum = numpy.sum(observation)
action = 0
if sum > 0:
action = 1の部分です
observation の 4 つの値の合計を取りその値が 0 以上であった場合にカートを右に動かします
そうでない場合は左にカードを動かします
要するに棒が左に倒れそうなときはカートを右に動かし、右に倒れそうなときはカートを左に動かすということをしています
また、このロジックを追加することで棒がかなり倒れづらくなるので終了条件にステップが 100 回に達した場合も終了するようにしました
これで実行してみましょう
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 99 timesteps with done
Episode finished after 100 timesteps with count
Episode finished after 77 timesteps with done
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 78 timesteps with done
Episode finished after 76 timesteps with done
Episode finished after 97 timesteps with done
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with count
Episode finished after 100 timesteps with countするとほぼすべてのエピソードで 100 ステップ達成していることがわかると思います
今回は単純に observation の合計を見ただけです
更に倒れないようなロジックを組むには合計ではなく observation それぞれの値を確認して action を決定する必要があります
所謂 Q-learning を実装する必要があります
Q-Table などを作成し行動に応じて報酬が最大となるような表を作成するなどの実装が必要になります
OpenAI Gym で手を動かしながら強化学習に入門してみました
強化学習のポイントとなる要素「状態」「行動」「報酬」の仕組みが少しは理解できたと思います
強化学習は教師あり学習や教師なし学習に比べて応用的な分野になるので理解することも多いです
使いこなせるようになればかなり便利だとは思いますが思いついて、それを実装できるレベルになるまでには結構な学習コストが必要だと思います
OpenAI Gym に関してはサンプルコードも豊富なのでとりあえず他に人の学習方法を真似て実装してみるのは良いかもしれません
それぞれの環境における observation や action の種類に関しては Github の Wiki に記載されているのでそちらを確認すると良いと思います
前回ナイブベイズをやってみました
今回は SVM を試してみます
SVM も分類器ですがナイブベイズとは異なりマージン最大化を取り入れた境界線を引くことで分類を行います
gem "rb-libsvm"
gem "libsvmloader"bundle install --path vendorwget https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/multiclass/pendigitswget https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/multiclass/pendigits.t今回のデータは分類するラベル数が 0 から 9 までの 10 個、学習させるデータの次元数が 16 になっていました
require 'libsvmloader'
require 'libsvm'
class Model
def self.gen
train_data, train_data_labels = LibSVMLoader.load_libsvm_file('./pendigits')
train_data_ary = train_data.each_row.map { |v| Libsvm::Node.features(v.to_a) }
train_data_labels_ary = train_data_labels.to_flat_a
params = Libsvm::SvmParameter.new.tap do |p|
p.cache_size = 1000
p.svm_type = Libsvm::SvmType::C_SVC
p.kernel_type = Libsvm::KernelType::RBF
p.gamma = 0.0001
p.c = 1.0
p.eps = 0.001
end
problem = Libsvm::Problem.new
problem.set_examples(train_data_labels_ary, train_data_ary)
model = Libsvm::Model.train(problem, params)
end
endダウンロードしたデータはすでに SVM で学習できる形式になっています
その場合には LibSVMLoader.load_libsvm_file という便利なメソッドがあります
データ (train_data) とラベル (train_data_labels) は NMatrix クラスのオブジェクトです
データは Libsvm::Node.features クラスのオブジェクトに変換します
ラベルは to_flat_a という関数をコールして NMatrix から Array に変換します
次に学習時のパラメータの設定です
とりあえずこのまま学習させましょう
一応ここがチューニングポイントにはなっているので精度を上げる場合にはこの辺の値を調整します
あとは Libsvm::Problem にテストデータと正解のラベルデータを食わせてパラメータと一緒に学習させればモデルができあがります
では先ほど作成したモデルを使ってテストデータを食わせてみましょう
vim test.rb
require './learn.rb'
model = Model.gen
test_data, test_data_labels = LibSVMLoader.load_libsvm_file('./pendigits.t')
# これでテストの実施をしてる
preds = test_data.each_row.map { |v| model.predict(Libsvm::Node.features(v.to_a)) }
ok = 0
preds.each.with_index { |label, index|
if label == test_data_labels[index]
ok = ok + 1
end
}
# puts preds.count
# puts ok
puts 100.0 * (ok / preds.count.to_f)テストデータを読み込んだら model.predict でテストさせます
テストデータは学習時同様に Libsvm::Node.features で変換する必要があります
結果は preds という配列のデータで返ってきます
単純にデータに対してモデルが判断したラベルが入っているだけです
なのであとは each で回してそれぞれのラベルが正しかったかどうかを判断します
今回は正しければ ok のカウントを増やしています
あとは全体のデータのうちどれだけ ok があるかを割り算すれば正答率が出せます
今回はサンプルデータを使ったので 98.28473413379074 という値が出ればコードがうまく動作していることになります
Ruby で SVM を試してみました
SVM はデータさえ揃えばサクっと試せてかつ精度の良い分類器が作れる手法かなと思います
パラメータ部分の説明は今回省略しましたが SVM の肝でもあるのでちゃんと理解しておいたほうが良いかと思います
(RBF カーネル、C、gamma あたりでググるといわいろと出てきます)
また評価の尺度は他にも Precision と Recall, F値 などがあります
SVM には CrossValidation という手法があり全体のデータの一部を学習データ、一部をテストデータとして学習させることができます
これを使えば上記の尺度も出すことができます
CrossValidation も今回のライブラリを使ってできるので興味があれば以下を参考にしてください
https://github.com/febeling/rb-libsvm/blob/master/examples/iris.rb
重回帰分析は複数の変数を与えたときにある 1 つの Y が得られるときの関数を求めることができる分析手法です
Ruby で簡単に使えるライブラリがあるので紹介します
gem "statsample"
gem "nokogiri"今回適当な Web 上のデータをスクレーピングするので nokogiri はそのためにインストールしています
全体としてはこんな感じです
# coding: utf-8
require 'statsample'
require 'nokogiri'
charset = 'utf-8'
html = open('http://npb.jp/bis/2017/stats/bat_c.html') do |f|
f.read
end
doc = Nokogiri::HTML.parse(html, nil, charset)
data = []
doc.xpath('//div[@id="stdivmaintbl"]').each do |node|
node.css('tr').each { |tr|
next if tr.css('td').count <= 1
d = []
tr.css('td').each { |td|
d.push(td.text.to_f)
}
data.push d
}
end
h = {}
h['rate'] = data.map {|i| i[3]}
h['game'] = data.map {|i| i[4]}
h['plate'] = data.map {|i| i[5]}
h['bat'] = data.map {|i| i[6]}
h['run'] = data.map {|i| i[7]}
h['hit'] = data.map {|i| i[8]}
h['double'] = data.map {|i| i[9]}
h['triple'] = data.map {|i| i[10]}
h['shot'] = data.map {|i| i[11]}
h['total'] = data.map {|i| i[12]}
h['rbi'] = data.map {|i| i[13]}
h['steal'] = data.map {|i| i[14]}
h['steal_out'] = data.map {|i| i[15]}
h['bunt'] = data.map {|i| i[16]}
h['fly'] = data.map {|i| i[17]}
h['walk'] = data.map {|i| i[18]}
h['intentional_walk'] = data.map {|i| i[19]}
# h['hit_by_pitch'] = data.map {|i| i[20]}
h['k'] = data.map {|i| i[21]}
h['double_play'] = data.map {|i| i[22]}
h['extra_hit_rate'] = data.map {|i| i[23]}
h['on_base_rate'] = data.map {|i| i[24]}
lr = Statsample::Regression.multiple(h.to_dataset, 'rate')
puts lr.summary今回はプロ野球セリーグの打者データ上位 28 名のデータを学習データに使っています (前半部分)
出力したい情報を「打率 (rate)」とし、それ以外のデータを入力変数として使っています
打率なので単純な計算でも出せますがあえて学習させています
data に選手ごとの各打者成績が入っているので、それを項目ごとに変数に格納し直しています
h が最終的な学習させるデータでハッシュ形式でデータの部分を配列として定義します
そして Statsample::Regression.multiple に食わせる際に to_dataset をコールすることで学習データに変形します
第二引数の rate は算出したい値の項目になるので今回は打率を指定します
これで実行すると以下のような出力が得られます
= Multiple reggresion of bat,bunt,double,double_play,extra_hit_rate,fly,game,hit,intentional_walk,k,on_base_rate,plate,rbi,run,shot,steal,steal_out,triple,walk on rate
Engine: Statsample::Regression::Multiple::RubyEngine
Cases(listwise)=28(28)
R=1.000
R^2=0.999
R^2 Adj=0.998
Std.Error R=0.001
Equation=-0.039 + 0.001bat + 0.001bunt + -0.000double + -0.000double_play + 0.025extra_hit_rate + 0.001fly + 0.000game + 0.001hit + 0.000intentional_walk + 0.000k + 0.833on_base_rate + -0.001plate + 0.000rbi + 0.000run + -0.000shot + 0.000steal + -0.000steal_out + -0.001triple + -0.000walk
== ANOVA
ANOVA Table
+------------+-------+----+-------+---------+-------+
| source | ss | df | ms | f | p |
+------------+-------+----+-------+---------+-------+
| Regression | 0.020 | 19 | 0.001 | 606.688 | 0.000 |
| Error | 0.000 | 8 | 0.000 | | |
| Total | 0.020 | 27 | 0.001 | | |
+------------+-------+----+-------+---------+-------+
Beta coefficients
+------------------+--------+--------+-------+--------+
| coeff | b | beta | se | t |
+------------------+--------+--------+-------+--------+
| Constant | -0.039 | - | 0.043 | -0.912 |
| bat | 0.001 | 1.292 | 0.000 | 3.279 |
| bunt | 0.001 | 0.177 | 0.000 | 4.850 |
| double | -0.000 | -0.074 | 0.000 | -2.086 |
| double_play | -0.000 | -0.009 | 0.000 | -0.551 |
| extra_hit_rate | 0.025 | 0.067 | 0.057 | 0.438 |
| fly | 0.001 | 0.064 | 0.000 | 2.394 |
| game | 0.000 | 0.052 | 0.000 | 1.599 |
| hit | 0.001 | 0.534 | 0.000 | 3.037 |
| intentional_walk | 0.000 | 0.004 | 0.000 | 0.192 |
| k | 0.000 | 0.058 | 0.000 | 1.508 |
| on_base_rate | 0.833 | 1.031 | 0.134 | 6.241 |
| plate | -0.001 | -1.630 | 0.000 | -5.231 |
| rbi | 0.000 | 0.067 | 0.000 | 1.577 |
| run | 0.000 | 0.042 | 0.000 | 1.101 |
| shot | -0.000 | -0.151 | 0.000 | -1.202 |
| steal | 0.000 | 0.017 | 0.000 | 0.561 |
| steal_out | -0.000 | -0.016 | 0.000 | -0.445 |
| triple | -0.001 | -0.039 | 0.000 | -1.814 |
| walk | -0.000 | -0.256 | 0.000 | -2.547 |
+------------------+--------+--------+-------+--------+大事なのは Equation で得られた式になります
この式に当てはめると打率を機械学習的に求めることができます
また表を見ると b の欄で各変数の係数がわかります
ここで 0.000 になっている項目は計算に不必要な項目になるので例えば rbi (打点) は機械学習的には打率を算出するのには不必要な項目だと判断されています
今回「塁打 (total)」と「死球 (hit_by_pitch)」は学習に含められませんでした
含めようとすると以下のエラーとなり学習できません
Regressors are linearly dependent (Statsample::Regression::LinearDependency)
どうやら重回帰分析には学習できるデータに条件があるようです (詳細は不明)
Github に Issue があがっており「R でも同じデータでエラーになるよ、たぶんデータが悪い」と指摘がされていました
https://github.com/clbustos/statsample/issues/2
では先ほどの式を使ってテストしてみましょう
テストデータはパリーグの選手の打席データを使ってみたいと思います
# coding: utf-8
# 秋山翔吾 -> 0.322
bat = 575
bunt = 0
extra_hit_rate = 0.536
fly = 7
hit = 185
on_base_rate = 0.398
plate = 659
triple = 5
rate =- 0.039 + (0.001 * bat) + (0.001 * bunt) + (0.025 * extra_hit_rate) + (0.001 * fly) + (0.001 * hit) + (0.833 * on_base_rate) + (-0.001 * plate) + (-0.001 * triple)
puts rate
# 柳田悠岐 -> 0.310
bat = 448
bunt = 0
extra_hit_rate = 0.589
fly = 7
hit = 139
on_base_rate = 0.426
plate = 551
triple = 1
rate =- 0.039 + (0.001 * bat) + (0.001 * bunt) + (0.025 * extra_hit_rate) + (0.001 * fly) + (0.001 * hit) + (0.833 * on_base_rate) + (-0.001 * plate) + (-0.001 * triple)
puts rate
# 茂木栄五郎 -> 0.296
bat = 398
bunt = 4
extra_hit_rate = 0.497
fly = 1
hit = 118
on_base_rate = 0.370
plate = 450
triple = 2
rate =- 0.039 + (0.001 * bat) + (0.001 * bunt) + (0.025 * extra_hit_rate) + (0.001 * fly) + (0.001 * hit) + (0.833 * on_base_rate) + (-0.001 * plate) + (-0.001 * triple)
puts rate
# 西川遥輝 -> 0.296
bat = 541
bunt = 6
extra_hit_rate = 0.416
fly = 3
hit = 160
on_base_rate = 0.378
plate = 623
triple = 6
rate =- 0.039 + (0.001 * bat) + (0.001 * bunt) + (0.025 * extra_hit_rate) + (0.001 * fly) + (0.001 * hit) + (0.833 * on_base_rate) + (-0.001 * plate) + (-0.001 * triple)
puts rate不要と判断させた項目は削除しています
これで算出すると上から
という感じになりました
今回算出できた式は成績が良い方向に計算されるようになったようです
もしくはパリーグの選手がもしセリーグで出場したら上記のような成績が残せたのかもしれません (たぶんそれはないが)
Ruby で重回帰分析を行ってみました
学習データが 28 件しかないのでかなり結果にズレが出ましたが、それっぽいモデルは作れました
使い方はこれでマスタできたかなと思います
あとはデータを増やして再度学習させればかなり近い値が出せるようになるかなと思います
今回は「打率」を算出するモデルを作りましたが打率は「打数」と「安打数」の計算で求められてしまうので本来であれば入力と出力は少し工夫したほうが良かったかもしれません
重回帰分析は「予測」や「推測」をするための手法だと思います
既存のデータからある規則 (式) を導き出し、今後起こり得る状況 (変数) に当てはめることで正解を探す方法かなと思います
何か予測したいデータがある場合に使ってみてはいかがでしょうか
ナイブベイズはベイズ定理が基になっている単純な分類器です
確率分布を出した上でどれになるか確率が一番高いところを正として判断する感じです
もう既にライブラリになっているのでそれを使います
https://github.com/oasic/nbayes
gem "nbayes"例えば 2 教科の点数がそれぞれ 70 点と 80 点以上なら合格とデータを学習させます
require 'nbayes'
nbayes = NBayes::Base.new
# >= 70 and >= 80 -> OK
nbayes.train([70, 80], 'OK')
nbayes.train([75, 90], 'OK')
nbayes.train([80, 80], 'OK')
nbayes.train([90, 100], 'OK')
nbayes.train([100, 80], 'OK')
nbayes.train([72, 82], 'OK')
nbayes.train([71, 93], 'OK')
nbayes.train([89, 80], 'OK')
nbayes.train([70, 99], 'OK')
nbayes.train([80, 95], 'OK')
nbayes.train([30, 50], 'NG')
nbayes.train([0, 80], 'NG')
nbayes.train([100, 10], 'NG')
nbayes.train([20, 60], 'NG')
nbayes.train([10, 80], 'NG')
nbayes.train([50, 70], 'NG')
nbayes.train([13, 21], 'NG')
nbayes.train([69, 55], 'NG')
nbayes.train([100, 79], 'NG')
nbayes.train([69, 98], 'NG')
test1 = [0, 100] # NG
test2 = [90, 98] # OK
test3 = [69, 79] # NG
test4 = [71, 81] # OK
test5 = [99, 2] # NG
puts nbayes.classify(test1).max_class
puts nbayes.classify(test2).max_class
puts nbayes.classify(test3).max_class
puts nbayes.classify(test4).max_class
puts nbayes.classify(test5).max_class結果は以下の通り
NG
OK
NG
OK
OKなんと 2 教科目が 2 点の子が OK になってしまっています
これは良くないということで再度学習させます
以下の行を追加しましょう
nbayes.train([99, 2], 'NG')これで再度実行するとちゃんと最後も NG になると思います
Ruby で内部ベイズをサクッと試してみました
アプリケーションエンジニアとしてはこれだけ簡単に使えるようになっているとかなり嬉しいと思います
今回のデータは if 文でも簡単に書けるので機械学習させる必要は全く無いと思います
例えば今回のように「2」教科しか次元がないデータであれば if 文で問題ないですが 1000 やら 10000 次元やらデータがある場合には有効です
またナイブベイズは分類器になり代表的な使われ方にはスパム判定があります
今回は OK or NG の 2 値で行いましたが、複数の多値判定もできます
これだけサクッと使えるのであれば何かデータができたらとりあえず投げてみるのはありかなーと思うので使い方を覚えておいて損はないかと思います
ただ、中身のアルゴリズムはさっぱりなので勉強する必要はあるかと思いますが、まずは試せる環境があるっていうのは勉強するきっかけにもなり良いことかなと思います
とりあえず試して精度が良い学習方法を深く学習していくという方法もありだと思います