ニューラルネットワーク

Python による金融のための Machine Learning

Nathan George

Data Science Professor

GPUのムーアの法則

ニューラルネットワークの可能性

ニューラルネットの特徴：

非線形性
変数間の相互作用
カスタマイズ性

基本的なニューラルネットワークの図

基本的な数式付きネットワーク図

ニューラルネットワークの数式

ニューラルネットワークの活性化ダイアグラム

活性化関数

損失関数

順伝播

逆伝播

kerasとtensorflowのロゴ

kerasでニューラルネットを実装する

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

kerasでニューラルネットを実装する

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense


model = Sequential()

model.add(Dense(50,
                input_dim=scaled_train_features.shape[1],
                activation='relu'))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='linear'))

モデルの訓練

model.compile(optimizer='adam', loss='mse')
history = model.fit(scaled_train_features, 
                    train_targets, 
                    epochs=50)

plt.plot(history.history['loss'])
plt.title('loss:' + str(round(history.history['loss'][-1], 6)))
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

損失のプロット

性能の評価

from sklearn.metrics import r2_score

# calculate R^2 score
train_preds = model.predict(scaled_train_features)
print(r2_score(train_targets, train_preds))

0.4771387560719418

性能のプロット

# plot predictions vs actual
plt.scatter(train_preds, train_targets)
plt.xlabel('predictions')
plt.ylabel('actual')
plt.show()

予測値と実測値

ニューラルネットを作成しましょう！

Python による金融のための Machine Learning