ディープラーニングで作る世界一シンプルでわかりやすい競馬予想AI①(モデル作成編)

競馬の着順（1〜18着）を予測するために、世界一シンプルなディープラーニングモデルを作成します。

全3回＋まとめ編1回のシリーズを予定しています。今回の内容が最も長くなりますが、一度に全て理解する必要はありませんのでご安心ください。

早速ですが、下記のコードがそのディープラーニングモデルです。行数はわずか21行で、そのうち5行は関数の呼び出し部分ですので、実質的には16行のコードです。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Input, Dense, Activation
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.callbacks import ModelCheckpoint
from sklearn.metrics import accuracy_score

# ディープラーニングモデルの作成とトレーニングを行う目的関数
def objective(X, Y):

    model = Sequential([
        
        Input(shape=(X.shape[1],)),

        Dense(128),
        Activation('relu'),

        Dense(64),
        Activation('relu'),

        Dense(18),  # 18個のクラスラベル
        Activation('softmax')
    ])

    # 整数値のクラスラベルをOne-hotエンコーディング
    Y = to_categorical(Y - 1, num_classes=18)  # -1 しているのは、クラスラベルが1から18であるため

    # モデルのコンパイルとトレーニング
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

    # ベストモデルの保存
    checkpoint = ModelCheckpoint('/content/drive/MyDrive/sample/best_model.keras', monitor='val_loss', save_best_only=True)

    # モデルの訓練
    history = model.fit(X, Y, epochs=10, batch_size=64, validation_split=0.2,callbacks=[checkpoint])

    # テストデータでの予測値の取得
    y_pred = model.predict(X)

    # 正解率の計算
    accuracy = accuracy_score(Y.argmax(axis=1), y_pred.argmax(axis=1))

    # ベストモデルの評価を返す（最大化のため、そのまま返す）
    return accuracy

この先、1行ずつ解説していきますが、もしややこしいと感じたらここまででも大丈夫です。次回や後でじっくり見直してもらえば問題ありません。また、まとめ編を先に読んで大まかな流れを理解するのもおすすめです。

覚えておいてほしいのは「objective(X, Y)という関数でディープラーニングモデルを作成した」という事実だけです。（Xが入力、Yが出力）

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Input, Dense, Activation
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.callbacks import ModelCheckpoint
from sklearn.metrics import accuracy_score

• Sequential：順次モデルを定義するためのクラス。各層を順番に積み重ねる形式。

• Input：最初の層に入力データの形状を定義。ここで特徴量の数を指定。

• Dense：全結合層（ニューラルネットワークの基本構造）。指定したユニット数の出力を持つ。

• Activation：活性化関数。reluやsoftmaxを用いて、非線形変換を行う。

• to_categorical：クラスラベルをOne-hotエンコーディングに変換するユーティリティ。

• ModelCheckpoint：モデルの訓練時にベストな状態のモデルを保存するコールバック。

• accuracy_score：正解率を計算する関数

def objective(X, Y):

目的関数objective。X（特徴量データ）、Y（ターゲットデータ）を受け取る。

    model = Sequential([

Sequential：ニューラルネットワークの各層を順番に追加する構造のモデルを定義。

        Input(shape=(X.shape[1],)),

Input：入力層。入力データの形状（特徴量の数）を指定して、モデルに入力する準備をする。X.shape[1]は特徴量の数を示す。

        Dense(128),

Dense(128)：全結合層で、128個のユニット（ニューロン）を持つ。この層は各入力に対して重み付けされた合計を計算し、次の層に渡す。

        Activation('relu'),

Activation('relu')：relu（Rectified Linear Unit）活性化関数を使う。非線形性を導入し、負の値を0に変換してモデルに複雑な関係を学習させる。

        Dense(64),

Dense(64)：全結合層で、64個のユニット（ニューロン）を持つ。この層は各入力に対して重み付けされた合計を計算し、次の層に渡す。

        Activation('relu'),

Activation('relu')：relu（Rectified Linear Unit）活性化関数を使う。非線形性を導入し、負の値を0に変換してモデルに複雑な関係を学習させる。

        Dense(18),  # 18個のクラスラベル

Dense(18)：出力層で、18個のユニットを持つ。これは18クラスの分類問題を想定しているため、それぞれのクラスに対応するユニットを設定している。

        Activation('softmax')

Activation('softmax')：出力層にソフトマックス活性化関数を適用。クラスごとの確率分布を計算し、最も確率の高いクラスを予測するために使用。

    Y = to_categorical(Y - 1, num_classes=18)  # -1 しているのは、クラスラベルが1から18であるため

to_categorical：ターゲットデータY（1から18の整数）をOne-hotエンコーディング形式に変換。クラスラベルが1から18まであるため、0ベースに合わせるためにY-1を行う。

    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

compile：モデルのコンパイル。adamは最適化アルゴリズム、categorical_crossentropyは損失関数（多クラス分類用）、accuracyは評価指標。

    checkpoint = ModelCheckpoint('/content/drive/MyDrive/sample/best_model.keras', monitor='val_loss', save_best_only=True)

ModelCheckpoint：モデルのチェックポイントを設定。val_loss（検証データの損失）を監視し、ベストなモデルのみ保存する。

    history = model.fit(X, Y, epochs=10, batch_size=64, validation_split=0.2, callbacks=[checkpoint])

fit：モデルの訓練。データXとラベルYを使い、10エポック、バッチサイズ64で訓練。データの20%を検証データに使用し、checkpointでベストモデルを保存。

    y_pred = model.predict(X)

predict：訓練後のモデルに対して入力データXを用いて予測を行い、クラスの確率を得る。

    accuracy = accuracy_score(Y.argmax(axis=1), y_pred.argmax(axis=1))

accuracy_score：Yと予測値y_predの正解率を計算。argmaxを使って、One-hot形式から元のクラスラベルを取得。

    return accuracy

最終的に正解率（accuracy）を返す。

モデルの基本的な構造は以上です。次回はデータ作成編で、X（入力データ）とY（ラベルデータ）について詳しく説明します。

ここまで読んで少し難しく感じた方もいるかもしれませんが、全てを理解する必要はありません。分からない点は、後からでも確認できますし、まとめ編やコメントで補足を受けることも可能です。気軽に質問してください！