TensorFlowでAuto MPGデータセットにDNN（ディープニューラルネットワーク）モデルを構築する方法

はじめに

TensorFlowはGoogleが提供する機械学習フレームワークです。オープンソースとして公開されており、Pythonと組み合わせてアルゴリズムや深層学習アプリケーションなどを実装できます。研究用途から本番環境まで幅広く活用されているのが特徴です。

テンソル（Tensor）はTensorFlowの中核となるデータ構造です。データフロー図のエッジ同士をつなぐ役割を担っており、この流れ図は「データフローグラフ」と呼ばれます。テンソルとは、端的にいえば多次元配列またはリストのことです。

使用するデータセットについて

今回は「Auto MPG」データセットを使用します。このデータセットには1970年代〜1980年代の自動車の燃費情報が収録されており、重量、馬力、排気量といった属性が含まれています。これらの特徴量をもとに、特定の車両の燃費効率を予測するのが目的です。

以下のコードはGoogle Colaboratory上で実行しています。Google Colab（Colaboratory）を利用すれば、ブラウザ上でPythonコードを実行でき、事前の環境構築は一切不要です。さらにGPU（グラフィックス処理ユニット）へ無料でアクセスできる点も大きなメリットです。ColaboratoryはJupyter Notebookをベースに構築されています。

コード例

print("DNN model")
history = dnn_horsepower_model.fit(
    train_features['Horsepower'], train_labels,
    validation_split=0.2,
    verbose=0, epochs=100)
print("Error with respect to every epoch")
plot_loss(history)
x = tf.linspace(0.0, 250, 251)
y = dnn_horsepower_model.predict(x)
plot_horsepower(x, y)
test_results['dnn_horsepower_model'] = dnn_horsepower_model.evaluate(
    test_features['Horsepower'], test_labels,
    verbose=0)

コード出典：https://www.tensorflow.org/tutorials/keras/regression

実行結果

コードの解説

• DNNはディープニューラルネットワーク（Deep Neural Network）を指します。この例では入力として「Horsepower（馬力）」という単一の特徴量のみを使用しています。

• fitメソッドにより、構築したDNNモデルを訓練データに適合させています。validation_split=0.2を指定することで、訓練データの20%を検証用に確保し、過学習の監視も行えます。

• fitメソッドの戻り値として得られる「history」オブジェクトには、エポックごとの損失などの統計情報が記録されています。これをプロットすることで、学習の進捗状況を視覚的に確認できます。

• predictメソッドで予測値を生成した後、evaluateメソッドを使ってテストデータに対するモデルの性能を評価しています。その結果はtest_results辞書に格納され、後ほど他のモデルとの比較に利用できます。

まとめ

このように、TensorFlowとKerasのAPIを組み合わせれば、わずかなコード量でDNNによる回帰モデルを構築し、訓練・評価まで一貫して行うことができます。単一の特徴量（馬力）だけでなく、複数の特徴量を組み合わせたモデルに拡張することで、より精度の高い燃費予測も可能になります。