12_5 線形回帰モデルと多層パーセプトロン回帰モデル2種

データが揃ったので、モデルを作成して訓練します。モデルは「boston-housing」サンプルのindex.jsファイルに記述されている3つのものを使用します。

model.jsファイルを作成して、次のコードを記述します。

const LEARNING_RATE = 0.01;
/**
 * 線形回帰モデルを構築して返す。
 *
 * @returns {tf.Sequential} 線形回帰モデル
 */
const linearRegressionModel = () => {
    const model = tf.sequential();
    model.add(tf.layers.dense({
        inputShape: [BOSTONDATA_NUMFEATURES],
        units: 1
    }));
    model.summary();
    model.compile({
        optimizer: tf.train.sgd(LEARNING_RATE),
        loss: 'meanSquaredError'
    });
    return model;
};

/**
 * 多層パーセプトロン回帰モデルを構築して返す。
 * 隠れ層を1つ、sigmoid関数によって活性化される10のユニットを持つ。
 *
 * @returns {tf.Sequential} 多層パーセプトロン回帰モデル
 */
const multiLayerPerceptronRegressionModel1Hidden = () => {
    const model = tf.sequential();
    model.add(tf.layers.dense({
        inputShape: [BOSTONDATA_NUMFEATURES],
        units: 50,
        activation: 'sigmoid',
        kernelInitializer: 'leCunNormal' // 切断正規分布
    }));
    model.add(tf.layers.dense({
        units: 1
    }));
    model.summary();
    model.compile({
        optimizer: tf.train.sgd(LEARNING_RATE),
        loss: 'meanSquaredError'
    });
    return model;
};

/**
 * 多層パーセプトロン回帰モデルを構築して返す。
 * 隠れ層を1つ、sigmoid関数によって活性化される50のユニットを持つ。
 *
 * @returns {tf.Sequential} 多層パーセプトロン回帰モデル
 */
const multiLayerPerceptronRegressionModel2Hidden = () => {
    const model = tf.sequential();
    // 1層め
    model.add(tf.layers.dense({
        inputShape: [BOSTONDATA_NUMFEATURES],
        units: 50,
        activation: 'sigmoid',
        kernelInitializer: 'leCunNormal'
    }));
    // 2層め
    model.add(tf.layers.dense({
        units: 50,
        activation: 'sigmoid',
        kernelInitializer: 'leCunNormal'
    }));
    model.add(tf.layers.dense({
        units: 1
    }));
    model.summary();
    model.compile({
        optimizer: tf.train.sgd(LEARNING_RATE),
        loss: 'meanSquaredError'
    });
    return model;
};

BOSTONDATA_NUMFEATURESはdata.jsで宣言した、12を参照する変数です。12は説明変数の数(特徴量)です。
下図は3つのモデルからsummary()メソッドを呼び出した結果のスクリーンショットです。

グラフとUI関係のコードをそれぞれ、graph.js、ui.jsという名前で作成します。

下記のgraph.js で使用しているのは、この「TensofrFlow.jsことはじめ」で最初からずっと使っているplotly.jsという名前のグラフ描画用ライブラリです。

let xData1 = [];
let yData1 = [];
let xData2 = [];
let yData2 = [];
const plot = (a, b, c, d) => {

    xData1.push(a);
    yData1.push(b);
    xData2.push(c);
    yData2.push(d);

    const trace1 = {
        x: xData1,
        y: yData1,
        type: 'scatter',
        name: 'trainLoss'
    };
    const trace2 = {
        x: xData2,
        y: yData2,
        type: 'scatter',
        name: 'valLoss'
    };

    const layout = {
        xaxis: {
            title: 'epoch'
        },
        yaxis: {
            title: 'loss'
        },
        title: '多変数回帰'
    };
    Plotly.newPlot('chart', [trace1, trace2], layout, {
        displayModeBar: false
    });
}

ui.jsには次のコードを記述します。

const updateStatus = (message) => {
    document.getElementById('status').value = message;
};

const updateBaselineStatus = (message) => {
    document.getElementById('baselineStatus').value = message;
};

コメントを残す

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です

CAPTCHA