センチメント分類の再考

Kerasで学ぶ言語モデリングのためのRecurrent Neural Networks (RNNs)

David Cecchini

Data Scientist

前回の結果

初期モデルの結果は不良でした。

model = Sequential()
model.add(SimpleRNN(units=16, input_shape=(None, 1)))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='sgd', metrics=['accuracy'])

model.evaluate(x_test, y_test)

$[0.6991182165145874, 0.495]

モデルの改善

精度向上のために、次を検討します。

Embedding層を追加
層数を増やす
ハイパーパラメータを調整
語彙数を増やす
より長い文を許容（メモリセルを増やす）

過学習を避ける

RNNは過学習しやすい

バッチサイズを試行する
Dropout層を追加
RNN層のdropoutとrecurrent_dropoutを設定

# 入力の20%を無効化してノイズを追加
model.add(Dropout(rate=0.2))

# それぞれ入力とメモリセルの10%を無効化
model.add(LSTM(128, dropout=0.1, recurrent_dropout=0.1))

補足：畳み込み層

本講義の範囲外：

model.add(Embedding(vocabulary_size, wordvec_dim, ...))
model.add(Conv1D(num_filters=32, kernel_size=3, padding='same'))
model.add(MaxPooling1D(pool_size=2))

畳み込み層は埋め込みベクトル上で特徴選択を行う
多くのNLP課題でSOTA性能

モデル例

model = Sequential()
model.add(Embedding(  vocabulary_size, wordvec_dim, trainable=True,
                      embeddings_initializer=Constant(glove_matrix), 
                      input_length=max_text_len, name="Embedding"))

model.add(Dense(wordvec_dim, activation='relu', name="Dense1"))

model.add(Dropout(rate=0.25))
model.add(LSTM(64, return_sequences=True, dropout=0.15, name="LSTM"))

model.add(GRU(64, return_sequences=False, dropout=0.15, name="GRU"))

model.add(Dense(64, name="Dense2"))
model.add(Dropout(rate=0.25))
model.add(Dense(32, name="Dense3"))

model.add(Dense(1, activation='sigmoid', name="Output"))

演習に進みましょう

Kerasで学ぶ言語モデリングのためのRecurrent Neural Networks (RNNs)