- 追加された行はこの色です。
- 削除された行はこの色です。
#author("2020-01-16T06:04:58+00:00","default:f-lab","f-lab")
#author("2020-01-17T09:59:47+00:00","default:f-lab","f-lab")
[[seminar-personal/chin2017]]
|~目次|
|#contents|
&br;
*AROBのPPTを作成 [#q441cc4d]
-&ref(chin2017-20200116/AROB2020.pptx);
-クラスタを使用せず、学習のPPTを追加
*進捗報告 [#od74b82a]
[[ゼミ>http://f-lab.mydns.jp/index.php?seminar-N-20200110]]より抜粋
これを排除できないか?
少ないクラスタに分類されたペアが所属しているCSVファイルを特定する。
そのCSVは処理対象から外す。
今までのかたまりがばらけるのでは?
-CSVファイルを特定する
--パスの出力を追加
---
re_list.append([data,col,fname])
...
df2 = pd.DataFrame(re_list,columns=['item','item_data','path'])
---
&ref(chin2017-20200116/extract_data.txt);
--実行中
---ファイルが多い⇒前回124万ペア(項目データ 項目名)を抽出したのは29時間ぐらいがかかった。
-少ないクラスタ
--判断基準?124万のぺあで出た回数は100回で除外?
--1000回?試したら
#20191217 08:41
import pandas as pd
import pandas.io.common
import numpy as np
import codecs
import random
import os
#import getenc
import time
import re
import sys
import keras
import matplotlib.pyplot as plt
from gensim.models import Word2Vec
from janome.tokenizer import Tokenizer
from keras.utils.np_utils import to_categorical
from pandas import Series,DataFrame
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Activation, Dense, Dropout
from keras.utils.np_utils import to_categorical
from keras.utils import np_utils
from keras.utils.vis_utils import plot_model
from keras.optimizers import RMSprop
from keras.models import load_model
from sklearn.preprocessing import LabelEncoder
from progressbar import *
from keras.layers import BatchNormalization
from scipy.cluster.hierarchy import linkage,dendrogram,fcluster
import japanize_matplotlib
#import seaborn as sns
#sns.set(font="IPAexGothic") #日本語フォント設定
#パラメータ設定
TRAIN_TIMES = 100 # 学習回数
NUM_DATAS = 3000 # データのデータ数(学習サンプル数)
TEST_SIZE = 0.2 #テスト割合
BATCH_SIZE = 512 # 1回の学習に用いるデータ数
NUM_SEED = 0 #乱数のシード値
INPUT_DIMENSION = 50 # 入力データの次元数
HIDDEN_DIMENSION = 300 # 隠れ層の次元数
NUM_CLASSES = 2 # 出力の次元数(クラスタ数:教師信号学習ラベル用)
RATIO_DROPOUT =0.5 #削除するユニットの割合(過学習を防ぐため)
DEL_TIMES =1 #重複回数以下datasetを削除
HIDDEN_LAYERS = 2 #隠れ層の層数
ACTIVATION_FUNCTION='relu' #活性化関数
ACTIVATION_FUNCTION_OUTPUT='softmax'#活性化関数(出力層)
WIDGETS = ['Progress of making dataset: ',Percentage(), ' ', Bar('#'),' ', Timer(),' ', ETA(), ' ', FileTransferSpeed()]
FNAME="item_data_all_20191219_new.csv"
F_MODEL_NAME = "word2vec.gensim.model"
#モデルの作成
def create_model():
#モデルの定義(畳み込みニューラルネットワーク)
model = Sequential()
#入力層
model.add(Dense(HIDDEN_DIMENSION,input_dim = INPUT_DIMENSION))
model.add(Activation(ACTIVATION_FUNCTION))
#隠し層
for i in range(HIDDEN_LAYERS):
model.add(Dense(HIDDEN_DIMENSION))
model.add(BatchNormalization())
model.add(Dropout(RATIO_DROPOUT))
#出力層
model.add(Dense(NUM_CLASSES))#引数は分類の数を定義する
model.add(Activation(ACTIVATION_FUNCTION_OUTPUT))
model.summary()# モデル構成の確認
#ここまででモデルの層完成
#lossは損失関数を定義するところ
model.compile(loss="categorical_crossentropy",metrics = ["accuracy"],optimizer = "adam")#'rmsprop' "adam"
#学習モデル図の作成
plot_model(model, to_file='model.png')
return model
#結果をグラフにプロット関数
def plot_history(history):
# 精度の履歴をプロット
plt.plot(history.history['acc'],"o-",label="accuracy")
plt.plot(history.history['val_acc'],"o-",label="val_acc")
plt.title('model accuracy')
plt.xlabel('epoch')
plt.ylabel('accuracy')
plt.legend(loc="lower right")
plt.show()
# 損失の履歴をプロット
plt.plot(history.history['loss'],"o-",label="loss",)
plt.plot(history.history['val_loss'],"o-",label="val_loss")
plt.title('model loss')
plt.xlabel('epoch')
plt.ylabel('loss')
plt.legend(loc='lower right')
plt.show()
#日本語をベクトルに変換する関数
def word_to_vec(item):
t = Tokenizer()#分かち書き
items =[token.surface for token in t.tokenize(item)]
vec =sum(word2vec_model[items[l]] for l in range(len(items)) if items[l] in word2vec_model.wv)
return vec
#クラスタリングの処理関数
def cluster_func(arr,class_num,me,met,view_flg,csv_flg):
dict_label ={}
df_vec =[np.array(word_to_vec(l)).tolist() for l in arr if type(word_to_vec(l)) is not int]
df_vec = pd.DataFrame(df_vec)
# 階層型クラスタリングの実施
# 平均法 x cosine距離
result = linkage(df_vec,method=me,metric =met)
# クラスタリング結果の値を取得
clusters = fcluster(result, t=class_num,criterion='maxclust')
clusters_list= clusters.tolist()
# 階層型クラスタリングの可視化
if (view_flg ==True):
plt.figure(num=None, figsize=(16, 9), dpi=200, facecolor='w', edgecolor='k')
#デンドログラムを表示
dendrogram(result,labels=item_name_labels)
plt.show()
if(csv_flg ==True):
df_name=[[l]+np.array(word_to_vec(l)).tolist() for l in arr if type(word_to_vec(l)) is not int]
df_name = pd.DataFrame(df_name)
df_name['cluster'] = clusters.tolist()
print(df_name)
f_save ="label_"+me+"_"+met+"_"+str(class_num)+"_"+"cluter.csv"
print(f_save)
df_name.to_csv(f_save,index=False,header=False)
for m in range(len(arr)):
name =arr[m]
cluster =clusters_list[m]
dict_label[name] = cluster
return dict_label
if __name__ == "__main__":
start = time.time()
# 0.データの準備(データの前処理)
print("Word2Vec reading...")
word2vec_model =Word2Vec.load(F_MODEL_NAME)
print(word2vec_model)
print(" CSV of item data reading...")
df=pd.read_csv(FNAME,sep=",",header=0) #項目データ 項目名ペアを読み込み
print(df)
len_df=len(df)
dict ={}
#回数を統計
for i in range(len_df):#len(df)):
if df.iat[i,1] in dict.keys():
dict[df.iat[i,1]]+=1
else:
dict[df.iat[i,1]] =1
print(dict)
list_drop =[ i for i in range(len_df) if dict[df.iat[i,1]] <= DEL_TIMES]
df=df.drop(index=list_drop).reset_index(drop=True)
df=df.head(NUM_DATAS)#指定した件数
print("\ndone")
list_dataset = []#ベクトル保存用
list_name =[]#ラベルの数を計算用
pbar = ProgressBar(widgets=WIDGETS, maxval=NUM_DATAS).start()#プログレスバーのスタート
for i in range(len(df)):#項目データを分かち書きし、ベクトル変換
vec=word_to_vec(df.iat[i,0])#分かち書きi行目0列目➡項目データ
if(type(vec) is int):#無い場合:0
continue
list_dataset.append([vec,df.iat[i,1]])
if df.iat[i,1] not in list_name:
list_name.append(df.iat[i,1])
pbar.update(i)#処理の進捗状況をプログレスバーとして表示
pbar.finish()#プログレスバーの終了
process_time = format(time.time() - start)
print('making dataset time is %s s'%process_time)
start = time.time()
label_dict=cluster_func(list_name,NUM_CLASSES,'average','cosine',True,True)
print(label_dict)
df_tmp = pd.DataFrame(list_dataset)
print(df_tmp)
item_data = df_tmp[0].values
item_data = pd.DataFrame(item_data.tolist())#項目データ変更:ndarrayの配列をリストへ変換
label_list =[label_dict[df.iat[k,1]] for k in range(len(df_tmp))]#ラベル
item_name=np.array(label_list)
print(item_name)
print(type(item_name))
le = LabelEncoder()
item_name_tmp = le.fit_transform(item_name)
item_name_enc = to_categorical(item_name_tmp,num_classes=NUM_CLASSES)
print(item_name_enc)
# 1.データセットの用意
X=item_data
Y=item_name_enc
(x_train, x_test, y_train, y_test) = train_test_split(X,Y, test_size=TEST_SIZE,random_state=NUM_SEED)
# 2.モデルの作成・コンパイル
model = create_model()
# 3.モデルの学習
history = model.fit(x_train, y_train, epochs=TRAIN_TIMES, batch_size=BATCH_SIZE,validation_data=(x_test, y_test))
# 4.モデルの評価
loss,accuracy = model.evaluate(x_train,y_train,verbose=1)
print("訓練\n損失率loss={} 精度accuracy={}".format(loss, accuracy))
loss,accuracy = model.evaluate(x_test,y_test,verbose=1)
print("テスト\n損失率loss={} 精度accuracy={}".format(loss, accuracy))
plot_history(history)
print("done")
process_time = format(time.time() - start)
print('Learning time is %s s'%process_time)
**参考サイト [#p0a38270]
-https://scikit-learn.org/stable/modules/clustering.html#hierarchical-clustering