TensorFlowとAuto MPGデータセットで自動車の燃費（MPG）を予測する方法

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ディープラーニング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利用され、複雑な数値計算を高速に実行するための最適化技術を備えています。

これはTensorFlowがNumPyと多次元配列を基盤としているためです。この多次元配列は「テンソル」と呼ばれます。フレームワークはディープニューラルネットワークの構築をサポートしており、高いスケーラビリティを持ち、多くの人気データセットが同梱されています。GPU演算を活用し、リソース管理を自動化できる点も特徴です。多数の機械学習ライブラリを備え、ドキュメントやコミュニティによるサポートも充実しています。ディープニューラルネットワークモデルの構築・学習を行い、データセットの特性を予測するアプリケーションを作成することが可能です。

TensorFlowのインストール

「tensorflow」パッケージは、Windows環境では以下のコマンドでインストールできます。

pip install tensorflow

テンソルはTensorFlowで使われる基本的なデータ構造であり、データフローグラフと呼ばれるフロー図のエッジ（辺）をつなぐ役割を果たします。テンソルの正体は多次元配列またはリストであり、主に3つの属性によって識別されます。

回帰問題とは

回帰問題の目的は、価格や確率、雨が降るかどうかといった連続値または離散値の出力を予測することです。

今回使用するデータセットは「Auto MPG」データセットです。1970年代〜1980年代の自動車の燃費データを含み、重量、馬力、排気量などの属性が収録されています。このデータをもとに、特定の車両の燃費効率を予測します。

以下のコードはGoogle Colaboratory上で実行しています。Google Colab（Colaboratory）はブラウザ上でPythonコードを実行できるサービスで、設定不要かつGPU（グラフィックス処理装置）を無料で利用できます。Jupyter Notebookをベースに構築されています。

コード例

hrspwr = np.array(train_features['Horsepower'])
print("The data is being normalized")
hrspwr_normalizer = preprocessing.Normalization(input_shape=[1])
hrspwr_normalizer.adapt(hrspwr)

hrspwr_model = tf.keras.Sequential([
    hrspwr_normalizer,
    layers.Dense(units=1)
])
print("The statistical data sample ")
hrspwr_model.summary()
print("The predicted output ")
hrspwr_model.predict(hrspwr[:7])
print("The model is being compiled : ")
hrspwr_model.compile(
    optimizer=tf.optimizers.Adam(learning_rate=0.1),
    loss='mean_absolute_error')

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

出力結果

コードの解説

• 「Horsepower（馬力）」の値から「MPG（燃費）」を予測します。

• Kerasモデルを、モデルのアーキテクチャを定義することで学習させます。

• ここで定義したモデルは「Sequential（逐次）」モデルで、一連の処理ステップを表しています。

• まず、「horsepower（馬力）」の入力値を正規化します。

• 続いて、密結合層「layers.Dense」により線形変換（y = mx + b）を適用し、出力を生成します。

• 馬力用の正規化レイヤーを作成しています。