Tag: machine learning

Analytics | Artificial Intelligence | Data Visualization | Machine Learning | Programming Tips
Melanie Carey 0
How SAS Visual Analytics' automated analysis takes customer care to the next level - Part 2

In the first of three posts on using automated analysis with SAS Visual Analytics, we explored a typical visualization designed to give telco customer care workers guidance on customers most receptive to upgrade their plans. While the analysis provided some insight, it lacked analytical depth -- and that increases the risk of  wasting time, energy and

Analytics | Artificial Intelligence | Data Visualization | Machine Learning | Programming Tips
Melanie Carey 0
How SAS Visual Analytics' automated analysis takes customer care to the next level - Part 1

You're the operations director for a major telco's contact center. Your customer-care workers enjoy solving problems. Turning irate callers into fans makes their day. They also hate flying blind. They've been begging you for deeper insight into customer data to better serve their callers. They want to know which customers

Analytics | Machine Learning
Alejandro Bolaños 0
Explicate! Entendiendo los modelos de Machine Learning (Parte 3: Individual Conditional Expectation)

Parte I: Introducción Parte II: Partial Dependence Plots Repasemos como llegamos hasta acá. Desde hace varios años los algoritmos de machine learning nos ofrecen una mejora sustancial en sus capacidades, son cada vez más precisos. Además, gracias a la optimización hiperparamétrica, el analista puede utilizar el tiempo de prueba y

Advanced Analytics | Machine Learning
Alejandro Bolaños 0
Explicate! Entendiendo los modelos de Machine Learning (Parte 2: Partial Dependence Plots)

Pueden acceder a la parte I de esta serie de artículos en este link. Antes de continuar donde dejamos el artículo anterior, veamos un artículo publicado hace unos días que tiene ver con nuestro tópico: How Important is that Machine Learning Model be Understandable? We analyze poll results. Este artículo

Artificial Intelligence | Fraud & Security Intelligence | Machine Learning
John Maynard 0
Unasked fraud questions answered by AI

Artificial intelligence often seems misunderstood, especially in fraud. The same is true of machine learning. One of the amazing things about them is they ask the unasked questions. This occurs as artificial intelligence (AI) and machine learning (ML) go about their daily work. So, what is the unasked question? Too

Advanced Analytics | Machine Learning
Susan Kahler 0
Four machine learning strategies for solving real-world problems

There are four widely recognized styles of machine learning: supervised, unsupervised, semi-supervised and reinforcement learning. These styles have been discussed in great depth in the literature and are included in most introductory lectures on machine learning algorithms. As a recap, the table below summarizes these styles. For a comprehensive mapping

Advanced Analytics | Artificial Intelligence
Olivier Zaech 0
UnterstÃŒtzung statt Bedrohung: Wie KI das Gesundheitswesen verbessern kann

Fest steht: KÃŒnstliche Intelligenz (KI) wird unser aller Leben verÀndern – und tut es schon. Weniger klar ist, in welcher Weise und in welchem Zeitrahmen diese VerÀnderungen passieren – und was am Ende dabei herauskommt. In vielen Bereichen gibt es wilde Spekulationen. Bei Life Sciences und im Gesundheitssektor lichtet sich

Advanced Analytics | Analytics | Artificial Intelligence | Data Visualization | Machine Learning
AI民䞻化を加速する「自動分析機胜」が登堎

AIプラットフォヌムSAS Viyaでは、「AI実甚化」や「AI民䞻化」を促進するために、埓来から自動予枬モデル生成や、機械孊習やディヌプラヌニングの刀断根拠情報の提䟛などを可胜ずしおいたしたが、SAS Visual Analytics on SAS Viyaの最新版8.3では、新たに「自動分析」機胜が実装されたした。 「自動分析」機胜を䜿甚するず、予枬タヌゲットに圱響を䞎えおいる倉数の特定や、倉数ごずにどのような条件の組み合わせがタヌゲットに䟝存しおいるのかを「文章条件文」で衚珟しお教えおくれたす。 この䟋で䜿甚するデヌタ「HMEQJ」は、ロヌンの審査を題材にしたもので、顧客ごずに行の暪持ちのデヌタです。このデヌタ内にある「延滞フラグ」が予枬察象の項目タヌゲット倉数で、延滞なし、延滞ありの倀が含たれおいたす。 デヌタリスト内の「延滞フラグ」を右クリックし、「分析」「珟圚のペヌゞで分析」を遞ぶだけで、「延滞フラグ」をタヌゲット倉数に、その他の倉数を説明倉数ずした分析が自動的に行われ、 以䞋のような結果が衚瀺されたす。 分析結果画面内説明 ① ドロップダりンリストで、予枬察象倀延滞なし、延滞ありの切り替えが可胜です。この䟋では、「延滞あり」を遞択し、「延滞する」顧客に関しお分析しおいたす。 ② 党䜓サマリヌずしお、すべおの顧客の内、延滞実瞟のある顧客は19.95%であり、「延滞する」こずに関しお圱響床の高い倉数が順に衚蚘されおいたす。 ③ 「延滞する」こずに関しお圱響を䞎えおいる倉数の床合いスコアを芖芚的に確認するこずができたす。 ④ 「延滞する」可胜性が最も高くなるグルヌプ条件の組み合わせが文章で瀺されおいたす。この䟋では、③で「資産に察する負債の割合」が遞択され、これに応じお文章内の該圓箇所がハむラむトしおいたす。 ⑀ この䟋では、③で「資産に察する負債の割合」が遞択され、これに応じお「延滞なし、延滞あり」別の顧客の分垃状況がヒストグラムで衚瀺されおいたす。遞択された倉数が数倀属性の堎合は、ヒストグラムで、カテゎリ属性の堎合は積み䞊げ棒グラフで衚瀺されたす。 分析に䜿甚する説明倉数芁因に関しおは、右偎の「デヌタ圹割」画面内で遞択するこずができたす。 以䞊のように、分析スキルレベルの高くないビゞネスナヌザヌでも、簡単か぀容易に、そしお分かり易くデヌタから有効な知芋を埗るこずができたす。 ※AIプラットフォヌム「SAS Viya」を分かり易く孊べる「特蚭サむト」ぞGO

Advanced Analytics | Analytics | Machine Learning
Gerhard Svolba 0
Predictive Analytics: Was Marketiers vom Orakel von Delphi lernen können

Diesen Sommer war ich in Griechenland und habe dort auch das Orakel von Delphi im Tempel des Apollon besucht. Unser Tourguide erzÀhlte uns, dass das Orakel vom siebten Jahrhundert v. Chr. bis zum vierten Jahrhundert n. Chr. fÌr Prophezeiungen konsultiert wurde. Das ist beeindruckend: Es ist vermutlich die erste und

Advanced Analytics | Analytics | Machine Learning
SAS Viyaビゞュアルパむプラむンで予枬モデル生成自動特城量゚ンゞニアリングテンプレヌト線

ビゞュアルパむプラむンで予枬モデル生成テンプレヌト䜿甚線では、SAS ViyaのModel Studioを䜿甚し、暙準で実装されおいるパむプラむンのテンプレヌトを䜿甚しお、予枬モデルを自動生成する手順を玹介したした。 今回は、暙準実装のテンプレヌトに含たれおいる、「自動特城量゚ンゞニアリングテンプレヌト」を玹介したす。 「特城」入力倉数独立倉数、説明倉数であり、 特城量゚ンゞニアリングずは、予枬モデルの粟床を高めるために、孊習甚の生デヌタに基づき、特城を倉換したり、抜出したり、遞択したり、新たな特城を䜜り出す行為です。 以䞋は、特城量゚ンゞニアリングの䟋です。 ・郵䟿番号などの高カヌディナリティ名矩倉数の゚ンコヌディング数倀化 ・間隔尺床の倉数の正芏化、ビニング、ログ倉換 ・欠損パタヌンに基づく倉換 ・オヌト゚ンコヌダヌ、䞻成分分析PCA、t-SNE、特異倀分解SVDなどの次元削枛 ・季節的な傟向を把握するために、日付倉数を別々の倉数に分解しお曜日ず月ず幎の新しい倉数を䜜成 より良い「特城」を䜜り出し、遞択するこずで、予枬モデルの粟床が向䞊するだけでなく、モデルを単玔化し、モデル解釈可胜性を高めるのにも圹立ちたす。 しかし、埓来、予枬モデリングのプロセスにおいお、デヌタサむ゚ンティストは、その倚くの時間を特城量゚ンゞニアリングに費やしおきたした。しかも、特城量゚ンゞニアリングの良し悪しは、デヌタサむ゚ンティストのスキルに倧きく䟝存しおしたいたす。 こうした課題に察凊するために、SAS Viyaでは、自動特城量゚ンゞニアリングテンプレヌトを提䟛しおいたす。このテンプレヌトを䜿甚するこずで、特別なスキルを必芁ずせず、特城量゚ンゞニアリングにかける時間を短瞮し、より粟床の高い予枬モデル生成が可胜になりたす。 以䞋が、SAS ViyaのModel Studioに実装されおいる「自動特城量゚ンゞニアリングテンプレヌト」です。 このテンプレヌトは、倧きく぀のステップで構成されおいたす。 高カヌディナリティ倉数に察する゚ンコヌディング数倀化 最良倉換、PCA / SVD、オヌト゚ンコヌダヌを䜿甚しお新たな特城を䜜成 特城゚ンゞニアリング未/枈みデヌタに基づく予枬モデルの粟床比范 ステップ高カヌディナリティ倉数に察する゚ンコヌディング数倀化 このステップの最初のノヌドは、「SASコヌド高カヌディナリティ」ずいう名のSASコヌドノヌドです。 SASコヌドノヌドを䜿甚するこずで、SASプログラムをパむプラむンに組み蟌むこずができたす。 このノヌドを遞択し、右偎画面内でコヌド゚ディタ「開く」をクリックするず、その内容を確認できたす。 このSASコヌドノヌドでは、最初に、20〜1,000レベルのカヌディナリティの高い倉数固有倀が倚すぎる名矩倉数を識別したす。minlevelsずmaxlevelsの倀を曎新するこずで、この範囲を簡単に倉曎するこずもできたす。次に、数倀倉換TRANSFORM = LEVELENCODEを指定し、これらの倉数に察しおのみレベル氎準゚ンコヌディングを行いたす。実際に倉換を行うためには、「デヌタマむニングの前凊理」にある「倉換」ノヌドを実行する必芁があるため、「倉換」ノヌドが接続されおいたす。 レベル゚ンコヌディングでは、名矩を数倀に倉換したす。これは、カヌディナリティの高い倉数を扱う堎合に特に䟿利です。これらの倉数は、ほずんどの機械孊習アルゎリズムにおいおコンピュヌティングリ゜ヌスの負荷をあげおしたうこずが倚いからです。最初に名矩倉数のレベルをアルファベット順に䞊べ替え、各レベルに昇順に数字1から始たるを割り圓おたす。 ステップ最良倉換、PCA / SVD、オヌト゚ンコヌダヌを䜿甚しお新たな特城を䜜成 ステップ2では、以䞋の3぀の異なる自動特城量゚ンゞニアリング手法が適甚されたす。 倉換-最良Bestこのノヌドは、「デヌタマむニングの前凊理」にある「倉換」ノヌドを䜿甚しお、すべおの間隔倉数に察しお「最良Best」の倉換を行いたす。この方法では、各間隔倉数に察しお、ランク付け基準タヌゲットずの盞関などに基づいお、単䞀倉数の倉換逆倉換、暙準化、センタリング、ログ倉換などを比范し、最も高いランク付けを持぀倉換を遞択したす。 特城抜出- PCAこのノヌドは、「デヌタマむニングの前凊理」にある「特城抜出」ノヌドを䜿甚しお、間隔入力倉数に察する自動特城抜出手法ずしお「自動」を指定しおいたす。「自動」では、間隔入力倉数の総数が500以䞋の堎合は、䞻成分分析PCAが適甚され、それ以倖の堎合は、特異倀分解SVDが適甚されたす。 特城抜出-自動゚ンコヌダこのノヌドでは、オヌト゚ンコヌダを甚いお特城抜出を行いたす。この手法では、特城抜出にすべおの入力倉数間隔ず名矩を䜿甚したす。オヌト゚ンコヌダヌは、入力デヌタを再構成するために䜿甚できる特城のセットを孊習するこずを目的ずした教垫なし孊習技術です。手短に蚀えば、ニュヌラルネットワヌクは、タヌゲット出力ニュヌロンを入力ニュヌロンず等しく蚭定するこずによっお蚓緎されるものです。 このノヌドでは、䞭間隠れ局が10に蚭定されおいるので、10個の新しい特城が䜜成されたす。 ステップ特城゚ンゞニアリング未/枈みデヌタに基づく予枬モデルの粟床比范 最埌のステップでは、募配ブヌスティングを甚いた5぀の異なる予枬モデルが生成されたす。 ・高カヌディナリティヌ倉数のレベル゚ンコヌディング特城抜出PCAを斜したデヌタに基づくモデル ・高カヌディナリティヌ倉数のレベル゚ンコヌディング特城抜出オヌト゚ンコヌダヌを斜したデヌタに基づくモデル ・高カヌディナリティヌ倉数のレベル゚ンコヌディング倉換-最良を斜したデヌタに基づくモデル ・高カヌディナリティヌ倉数のレベル゚ンコヌディングを斜したデヌタに基づくモデル ・元のデヌタ特城量゚ンゞアリングを斜しおいないに基づくモデル ぀のモデルを生成埌、パフォヌマンスを比范したす。募配ブヌスティングは、非垞に効果的な教垫あり孊習アルゎリズムであり、予枬粟床の面で他のアルゎリズムより優れおいるこずが倚いため、䜿甚しおいたす。

Advanced Analytics | Analytics | Machine Learning
SAS Viya: ビゞュアルパむプラむンで予枬モデル生成テンプレヌト䜿甚線

ビゞュアルパむプラむンで予枬モデル生成基本線では、SAS ViyaのModel Studioを䜿甚し、パむプラむンを䞀から䜜成し、予枬モデルを生成する手順を玹介したした。 今回は、前回からの続きずしお、予め甚意されおいるパむプラむンのテンプレヌトを䜿甚した、モデル生成手順を玹介したす。 パむプラむン・テンプレヌトの遞択ず実行 実行結果モデル粟床の確認 パむプラむン・テンプレヌトの遞択ず実行 パむプラむンの远加アむコンをクリックするず、 「パむプラむンの新芏䜜成」ダむアログが衚瀺されたす。 パむプラむンの名前を入力し、「テンプレヌト」から「テンプレヌトの参照 」を遞択するず、 暙準で実装されおいるテンプレヌトのリストが衚瀺されたす。 この䞭から䜿甚したいテンプレヌトを遞択し、「OK」をクリックしたす。今回は、「分類尺床のタヌゲット倉数の高床なテンプレヌト」を䜿甚したす。 さらに、「保存」をクリックするず、 遞択したパむプラむンの内容が衚瀺されたす。 このテンプレヌトでは、以䞋の぀のモデルを生成し、結果を比范するこずができたす。 ・デヌタに察する前凊理欠損倀補完ず倉数遞択埌に、ロゞスティック回垰ステップワむズ法ずニュヌラルネットワヌクでモデル生成 ・デヌタに察する前凊理欠損倀補完埌に、ロゞスティック回垰増加法でモデル生成 ・デヌタに察する前凊理無しで、募配ブヌスティング、フォレスト、ディシゞョンツリヌでモデル生成 ・䞊蚘぀のモデルのアンサンブルモデルの生成 ※テンプレヌトに䜿甚されおいる機胜ノヌドごずの詳现なオプション内容は右偎画面内で確認でき、必芁に応じお倉曎可胜です。たた、パむプラむン内ぞの機胜ノヌドの远加・削陀・倉曎などカスタマむズも可胜です。 ※䞀から䜜成したパむプラむンや、既存テンプレヌトをカスタマむズしたパむプラむンを、その䌁業独自のテンプレヌトずしお共有し、掻甚するこずができたす。 ※䞀぀のプロゞェクト内に、耇数のパむプラむンを䜜成し、結果を比范するこずができたす。 パむプラむンの実行アむコンをクリックし、実行したす。実行䞭の機胜ノヌドは時蚈アむコンがクルクル回転し、正垞に完了するず緑のチェックマヌクが衚瀺されたす。 実行結果モデル粟床の確認 パむプラむンの実行が完了したら、ビゞュアルパむプラむンで予枬モデル生成基本線ず同様に、「モデルの比范」ノヌドのスノヌマンアむコンをクリックし、メニュヌから「結果」を遞択し、このパむプラむンの実行結果を確認するこずができたす。 たた、䞀぀のプロゞェクト内で、耇数のパむプラむンを䜜成しおいる堎合には、パむプラむン間でモデル粟床を比范し、プロゞェクト内でのチャンピオンモデルを確認するこずができたす。 画面䞊郚の「パむプラむンの比范」をクリックしたす。 パむプラむンの募配ブヌスティングのモデルの粟床が最も高い、チャンピオンモデルであるこずが瀺されおいたす。 以䞊が、パむプラむンのテンプレヌトを䜿甚しお、予枬モデルを生成する際の手順です。 コヌディングスキルを持たないビゞネスナヌザヌでも、たず、孊習甚のデヌタを遞択し、予枬察象の項目を遞択し、テンプレヌトを遞んで実行するだけで、粟床の高いの予枬モデルを自動生成するこずができるずいうこずです。 ※ビゞュアルパむプラむンのテンプレヌトを䜿甚したモデル生成は、SAS Viya特蚭サむトにある動画でもご芧いただけたす。  

Advanced Analytics | Analytics | Machine Learning
SAS Viya: ビゞュアルパむプラむンで予枬モデル生成基本線

AIプラットフォヌムであるSAS Viyaでは、SAS蚀語のみならず、PythonやR、Java、Luaなどの汎甚プログラミング蚀語からViyaのAIアナリティクスの機胜を䜿甚し、予枬モデルを生成するこずができるようになっおいたす。しかし、昚今、「AI民䞻化」の流れに沿っお、予枬モデル生成を必芁ずしおいるのはデヌタサむ゚ンティスト以降DSだけではなく、業務郚門のビゞネスアナリストや䞀般のビゞネスナヌザヌも必芁ずしおいたす。こうしたコヌディングスキルを持たないビゞネスナヌザヌ向けに、SAS Viyaでは、GUI䞊でマりスの簡単操䜜だけで予枬モデル生成を可胜ずしおいたす。 もちろん、DSの䞭にも、コヌディングせずに、もっず簡単に粟床の高い予枬モデルを生成できる手段があれば掻甚したいず感じおいる人達もいたす。 SAS Viyaでは、Model Studioを䜿甚し、機械孊習のモデル、時系列予枬のモデル、テキストマむニングのモデルをGUIベヌスの簡単マりス操䜜で䜜成するこずができたす。モデル生成プロセスをグラフィカルなフロヌ図ずしお描き、実行するだけです。このフロヌ図のこずを「パむプラむン」ず呌んでいたす。 Model Studioで予枬モデルを生成するには、倧きく通りの方法がありたす。 ぀は、マりスの簡単ドラッグ操䜜でパむプラむンを䞀から䜜成する方法ず、もう䞀぀は、予め甚意されおいるパむプラむンのテンプレヌトを䜿甚する方法です。 たずは、パむプラむンを䞀から䜜成する際の基本的な手順を玹介したす。 プロゞェクトの新芏䜜成ず孊習甚のデヌタ゜ヌス遞択 パむプラむンの䜜成ず実行 実行結果モデル粟床の確認 プロゞェクトの新芏䜜成ず孊習甚のデヌタ゜ヌス遞択 SAS Viyaの統合GUIのホヌムペヌゞのメニュヌから「モデルの䜜成」を遞択するず、 Model Studioの画面が衚瀺されたす。 「プロゞェクトの新芏䜜成」をクリックしたす。 「プロゞェクトの新芏䜜成」画面内で、プロゞェクトの名前を入力し、モデルの皮類デヌタマむニングず機械孊習 / テキスト分析 / 予枬を遞択し、孊習甚のデヌタ゜ヌスを遞択したす。今回は、「デヌタマむニングず機械孊習」を遞び、ロヌンの審査モデルを䜜成したす。HMEQJずいうデヌタ゜ヌスは、顧客ごずに行の暪持ち圢匏のデヌタです。 「保存」をクリックするず、ロヌン審査モデルプロゞェクトが䜜成され、遞択したデヌタ゜ヌスの倉数リストが衚瀺されたす。 予枬察象の項目タヌゲット倉数を指定したす。倉数名BADラベル名延滞フラグを遞択し、右画面内で、圹割に「タヌゲット」を遞択したす。 延滞フラグには、過去に延滞の実瞟があればフラグに“”が、無ければ“”が蚭定されおいたす。 パむプラむンの䜜成ず実行 予枬察象の項目を指定埌、画面䞊郚にある「パむプラむン」をクリックしたす。 パむプラむンには「デヌタ」ノヌドのみが衚瀺されおいたす。巊端の機胜ノヌドアむコンをクリックするず、 パむプラむンに远加可胜な機胜ノヌドのリストが衚瀺されたす。 今回は、欠損倀補完を行った䞊で、募配ブヌスティングずランダムフォレストでモデルを生成しおみたしょう。たず、デヌタに察する前凊理ずしお欠損倀補完を行いたす。 「デヌタマむニングの前凊理」内にある「補完」を「デヌタ」ノヌド䞊にドラッグするず、 「デヌタ」ノヌドの䞋に「補完」ノヌドが远加されたす。 同様の手順で、「教垫あり孊習」内にある「募配ブヌスティング」を「補完」ノヌド䞊ぞドラッグするず、「補完」ノヌドの䞋に「募配ブヌスティング」ノヌドが远加されたす。同時に「モデルの比范」ノヌドが自動的に远加されたす このようにドラッグ操䜜でノヌドを远加する以倖に、パむプラむン䞊のメニュヌからノヌドを远加するこずもできたす。 「補完」ノヌドの右端にある、぀のドットが瞊に䞊んでいるスノヌマンアむコンをクリックし、「䞋に远加」「教垫あり孊習」「フォレスト」の順に遞択するず、 「補完」ノヌドの䞋に、「フォレスト」ノヌドが远加されたす。 機胜ノヌドごずの詳现なオプションの蚭定は、右偎画面内で行いたす。 パむプラむンが完成したら、パむプラむンの実行アむコンをクリックし、実行したす。実行䞭の機胜ノヌドは時蚈アむコンがクルクル回転し、正垞に完了するず緑のチェックマヌクが衚瀺されたす。 実行結果モデル粟床の確認 パむプラむンの実行が完了したら、「モデルの比范」ノヌドのスノヌマンアむコンをクリックし、メニュヌ から「結果」を遞択したす。 モデルの比范結果が衚瀺されたす。今回は募配ブヌスティングのモデルの粟床の方が高いチャンピオンであるず刀定されおいたす。 「アセスメント」タブ内では、リフトやROCの情報などを確認するこずができたす。 以䞊が、ビゞュアルパむプラむンで予枬モデルを䞀から生成する際の基本的な手順です。 ※ビゞュアルパむプラむンによるモデル生成基本は、SAS Viya特蚭サむトの「機械孊習」トピック内にある動画でもご芧いただけたす。

Analytics
¿Sabe lo que quieren sus clientes? ¿Puede determinar el precio óptimo para desplazar sus productos? La analítica puede ayudarle a averiguarlo

Las empresas minoristas quieren vender; de eso se trata su negocio. Implementan mecanismos y estrategias para lograrlo y así atraer a un número mayor de clientes, tener precios competitivos y elevar su rentabilidad, ofrecer los productos que los consumidores quieren y ganarse su lealtad y estar en el top of

Artificial Intelligence
SAS Viya: DLPyを甚いたディヌプラヌニングの刀断根拠情報出力

ディヌプラヌニング画像凊理甚Python API向けパッケヌゞDLPyでは、DLPyの基本的な機胜を玹介したした。その䞭で、ディヌプラヌニングの刀断根拠ずなり埗る情報、぀たり入力画像のどこに着目しおいるのかをカラフルなヒヌトマップずしお出力するこずができるheat_map_analysis()メ゜ッドに觊れたした。 今回は、heat_map_analysis()メ゜ッドを䜿甚しお、ヒヌトマップを出力する際に指定可胜な有効なオプションに関しおいく぀か玹介したす。 GPU掻甚 ヒヌトマップ解析時の刀別予枬凊理再実行回避 ヒヌトマップ出力察象画像タむプ正・誀刀別指定 ヒヌトマップ出力察象画像指定 GPU掻甚 SAS Viyaのディヌプラヌニングでは、ネットワヌクの局ごずにGPUを䜿甚するかどうかの指定が可胜ですが、ヒヌトマップを出力する際にも、指定したテストデヌタをモデルに圓おはめおの予枬凊理は実行されるこずになるので、同様にGPUを䜿甚するこずが可胜です。 GPUを䜿甚するこずで、ヒヌトマップ出力の時間を短瞮するこずができたす。 ヒヌトマップ解析時の刀別予枬凊理再実行回避 最初にheat_map_analysis()メ゜ッドを実行する際には、モデルにテストデヌタを圓おはめお刀別予枬凊理が行われたすが、以降、heat_map_analysis()メ゜ッドを䜿甚しお、必芁な刀断根拠情報を再出力する際には、最初の実行時に蚈算された倀を再利甚するので、郜床再蚈算刀別・予枬凊理は行わず、より効率的、迅速に、ヒヌトマップを出力するこずができたす。 「GPU掻甚」でのheat_map_analysis()メ゜ッドではパラメヌタずしお「data=te_img」が指定され、モデルにテストデヌタを圓おはめおいたしたが、䞋蚘の再実行の䟋では、このパラメヌタは指定されず、結果のメッセヌゞにも「Using results from model.predict()」ず、実行枈みの蚈算結果が䜿甚されおいる旚が衚瀺されおいたす。 ヒヌトマップ出力察象画像タむプ正・誀刀別指定 ディヌプラヌニングのモデルにテストデヌタを圓おはめお刀別予枬した結果ずしお、正しく刀定された画像ず間違った刀定が䞋された画像がありたす。 heat_map_analysis()メ゜ッドの「img_type」パラメヌタを䜿甚し、正”C”(Correct Classification), 誀“M”(Miss Classified), すべお“A”(All)、を指定しお該圓画像の刀断根拠情報を出力するこずが可胜です。 以䞋は、誀刀別された画像img_type=‘M’の刀断根拠情報出力䟋です。 画像のどの郚分に着目しお、間違った刀断に至ったのかを確認するこずができるので、モデル粟床を改善するためには、孊習甚にどのような画像が必芁なのかずいった、瀺唆も䞎えおくれたす。 ヒヌトマップ出力察象画像指定 heat_map_analysis()メ゜ッドの「filename / image_id」パラメヌタを䜿甚し、特定の画像を指定しお、出力するこずも可胜です。 以䞋は、画像ファむルリストの䞊䜍぀の画像のヒヌトマップをファむル名指定で出力しおいる䟋です。 以䞋は、画像ファむルリストの先頭の画像のヒヌトマップをID指定で出力しおいる䟋です。 䞊蚘䟋の詳现に関しおは、こちらのGitfubサむトをご芧ください。  DLPyの詳现に関しおは、こちらのGithubサむトをご芧ください。  

Analytics
Mauricio González 0
Cómo los datos le permiten tomar mejores decisiones de negocio a las empresas

Usted y su compañía lo hacen todos los días: toman decisiones vitales para responder y adaptarse al entorno en el que se mueven. Para hacerlo, desmenuzan y analizan una gran cantidad de información proveniente de todas las áreas de negocio. Actualmente, un número cada vez mayor de organizaciones aplica innovaciones

1 2 3 4 
 7