Prosty przykład uczenia się komputera na konsoli accord.net

Question

Jestem nowym uczniem maszynowym i nowym dla accord.net (kod I C#).

Chcę stworzyć prosty projekt, w którym przyglądam się prostej serii danych oscylujących, a następnie chcę, aby akordeon ją poznał i przewidywał, jaka będzie następna wartość.

To, co dane (szeregi czasowe) powinna wyglądać następująco:

X - Y

1 - 1 

2 - 2 

3 - 3 

4 - 2 

5 - 1 

6 - 2 

7 - 3 

8 - 2 

9 - 1 

Następnie chcę to do przewidzenia, co następuje:

X - Y

10 - 2 

11 - 3 

12 - 2 

13 - 1 

14 - 2 

15 - 3 

Czy możecie mi pomóc z kilkoma przykładami, jak to rozwiązać?

Answer 1

Prostym sposobem na to byłoby użycie drzewa decyzyjnego ID3 Accord.

Sztuką jest ustalenie, jakich wejść użyć - nie można po prostu ćwiczyć na X - drzewo nie nauczy się niczego na temat przyszłych wartości X - jednak można zbudować pewne funkcje pochodzące z X (lub poprzednie wartości Y), które będą przydatne.

Zwykle w przypadku takich problemów - każda prognoza powinna opierać się na cechach wyprowadzonych z poprzednich wartości Y (przewidywanej rzeczy), a nie X. Jednakże zakłada się, że można obserwować Y sekwencyjnie między każdą prognozą (nie można następnie przewidzieć dowolne arbitralne X), więc pozostanę z przedstawionym pytaniem.

Udało mi się zbudować drzewo decyzyjne Accord ID3, aby rozwiązać ten problem poniżej. Użyłem kilku różnych wartości x % n jako funkcji - mając nadzieję, że drzewo może znaleźć odpowiedź na to pytanie. W rzeczywistości, jeśli dodałem (x-1) % 4 jako cechę, mógłbym to zrobić na jednym poziomie z tym właśnie atrybutem - ale myślę, że chodzi o to, żeby pozwolić drzewu znaleźć wzory.

A oto kod, który:

// this is the sequence y follows 
    int[] ysequence = new int[] { 1, 2, 3, 2 }; 

    // this generates the correct Y for a given X 
    int CalcY(int x) => ysequence[(x - 1) % 4]; 

    // this generates some inputs - just a few differnt mod of x 
    int[] CalcInputs(int x) => new int[] { x % 2, x % 3, x % 4, x % 5, x % 6 }; 


    // for http://stackoverflow.com/questions/40573388/simple-accord-net-machine-learning-example 
    [TestMethod] 
    public void AccordID3TestStackOverFlowQuestion2() 
    { 
     // build the training data set 
     int numtrainingcases = 12; 
     int[][] inputs = new int[numtrainingcases][]; 
     int[] outputs = new int[numtrainingcases]; 

     Console.WriteLine("\t\t\t\t x \t y"); 
     for (int x = 1; x <= numtrainingcases; x++) 
     { 
      int y = CalcY(x); 
      inputs[x-1] = CalcInputs(x); 
      outputs[x-1] = y; 
      Console.WriteLine("TrainingData \t " +x+"\t "+y); 
     } 

     // define how many values each input can have 
     DecisionVariable[] attributes = 
     { 
      new DecisionVariable("Mod2",2), 
      new DecisionVariable("Mod3",3), 
      new DecisionVariable("Mod4",4), 
      new DecisionVariable("Mod5",5), 
      new DecisionVariable("Mod6",6) 
     }; 

     // define how many outputs (+1 only because y doesn't use zero) 
     int classCount = outputs.Max()+1; 

     // create the tree 
     DecisionTree tree = new DecisionTree(attributes, classCount); 

     // Create a new instance of the ID3 algorithm 
     ID3Learning id3learning = new ID3Learning(tree); 

     // Learn the training instances! Populates the tree 
     id3learning.Learn(inputs, outputs); 

     Console.WriteLine(); 
     // now try to predict some cases that werent in the training data 
     for (int x = numtrainingcases+1; x <= 2* numtrainingcases; x++) 
     { 
      int[] query = CalcInputs(x); 

      int answer = tree.Decide(query); // makes the prediction 

      Assert.AreEqual(CalcY(x), answer); // check the answer is what we expected - ie the tree got it right 
      Console.WriteLine("Prediction \t\t " + x+"\t "+answer); 
     } 
    } 

To wyjście produkuje:

    x y 
TrainingData  1 1 
TrainingData  2 2 
TrainingData  3 3 
TrainingData  4 2 
TrainingData  5 1 
TrainingData  6 2 
TrainingData  7 3 
TrainingData  8 2 
TrainingData  9 1 
TrainingData  10 2 
TrainingData  11 3 
TrainingData  12 2 

Prediction  13 1 
Prediction  14 2 
Prediction  15 3 
Prediction  16 2 
Prediction  17 1 
Prediction  18 2 
Prediction  19 3 
Prediction  20 2 
Prediction  21 1 
Prediction  22 2 
Prediction  23 3 
Prediction  24 2 

nadzieję, że pomoże.

EDYCJA: Po komentarzach, poniżej przykład jest modyfikowany, aby ćwiczyć poprzednie wartości celu (Y) - a nie cechy wyprowadzone z indeksu czasu (X). Oznacza to, że nie możesz rozpocząć treningu na początku serii - ponieważ potrzebujesz wstecznej historii poprzednich wartości Y. W tym przykładzie zacząłem od x = 9 tylko dlatego, że zachowuje tę samą sekwencję.

 // this is the sequence y follows 
    int[] ysequence = new int[] { 1, 2, 3, 2 }; 

    // this generates the correct Y for a given X 
    int CalcY(int x) => ysequence[(x - 1) % 4]; 

    // this generates some inputs - just a few differnt mod of x 
    int[] CalcInputs(int x) => new int[] { CalcY(x-1), CalcY(x-2), CalcY(x-3), CalcY(x-4), CalcY(x - 5) }; 
    //int[] CalcInputs(int x) => new int[] { x % 2, x % 3, x % 4, x % 5, x % 6 }; 


    // for http://stackoverflow.com/questions/40573388/simple-accord-net-machine-learning-example 
    [TestMethod] 
    public void AccordID3TestTestStackOverFlowQuestion2() 
    { 
     // build the training data set 
     int numtrainingcases = 12; 
     int starttrainingat = 9; 
     int[][] inputs = new int[numtrainingcases][]; 
     int[] outputs = new int[numtrainingcases]; 

     Console.WriteLine("\t\t\t\t x \t y"); 
     for (int x = starttrainingat; x < numtrainingcases + starttrainingat; x++) 
     { 
      int y = CalcY(x); 
      inputs[x- starttrainingat] = CalcInputs(x); 
      outputs[x- starttrainingat] = y; 
      Console.WriteLine("TrainingData \t " +x+"\t "+y); 
     } 

     // define how many values each input can have 
     DecisionVariable[] attributes = 
     { 
      new DecisionVariable("y-1",4), 
      new DecisionVariable("y-2",4), 
      new DecisionVariable("y-3",4), 
      new DecisionVariable("y-4",4), 
      new DecisionVariable("y-5",4) 
     }; 

     // define how many outputs (+1 only because y doesn't use zero) 
     int classCount = outputs.Max()+1; 

     // create the tree 
     DecisionTree tree = new DecisionTree(attributes, classCount); 

     // Create a new instance of the ID3 algorithm 
     ID3Learning id3learning = new ID3Learning(tree); 

     // Learn the training instances! Populates the tree 
     id3learning.Learn(inputs, outputs); 

     Console.WriteLine(); 
     // now try to predict some cases that werent in the training data 
     for (int x = starttrainingat+numtrainingcases; x <= starttrainingat + 2 * numtrainingcases; x++) 
     { 
      int[] query = CalcInputs(x); 

      int answer = tree.Decide(query); // makes the prediction 

      Assert.AreEqual(CalcY(x), answer); // check the answer is what we expected - ie the tree got it right 
      Console.WriteLine("Prediction \t\t " + x+"\t "+answer); 
     } 
    } 

Można również rozważyć szkolenie na temat różnic pomiędzy poprzednimi wartościami Y - które pracują lepiej, gdy wartość bezwzględna Y nie jest tak ważne jak względnej zmiany.