Optunaでおいしいコーヒーの淹れ方を探索して、データを解析してみる
•
1 j'aime•841 vues
2021/05/22のLaboratory Automation月例勉強会 / 2021.05発表資料
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Dernier
Dernier (12)
Optunaでおいしいコーヒーの淹れ方を探索して、データを解析してみる
- 1. Optunaでおいしい コーヒーの淹れ方を探索して、 データを解析してみる 鈴木脩司 (Twitter:@shu65) Laboratory Automation月例勉強会 / 2021.05 2021/05/221
- 2. 自己紹介 名前：鈴木脩司 経歴 大学時代 バイオインフォマティクス（主に配列相同性検索の高速化）に ついて研究 現在 株式会社Preferred Networks (PFN) でエンジニアリング マネージャー & リサーチャー として、「深層学習の高速化と 大規模な分散学習」や「バイオ、医療関係のデータ解析」に 関する研究開発 PFN社員だが、Optunaの開発者ではなくただのユーザー Twitter:@shu65 2
- 3. 目次 1. 発表の概要 2. Optunaについて 3. Optunaを使ったおいしいコーヒーの淹れ方の探索 4. Optunaを使った探索データの解析 3
- 4. 発表の概要 以前、Optunaを使った機械学習の例としてコーヒーの淹れ方への応用を紹介 今回は淹れ方を探索したデータとOptunaの可視化機能を使って、探索の改良や データへの理解を深める方法について紹介 Optunaを使って探索をどう改良していけばいいか？の参考になれば https://www.slideshare.net/ShujiSu zuki/optuna-242021857 https://www.mattari-benkyo- note.com/2021/04/01/coffee-tuning-202104/ 4
- 5. Optunaとは？ 主に機械学習におけるハイパーパラメータ最適化のための Python ライブラリ ベイズ最適化や並列分散実行による効率的な自動探索 2018年12月ベータ版リリー ス 2020年1月 v1.0リリース 2020年7月 v2.0リリース より詳しく知りたい方は公式ドキュメントを参照： https://optuna.readthedocs.io/en/stable/index.html 5
- 7. Optunaを機械学習のハイパーパラメータ 最適化以外に利用できるのか？ ハイパーパラメータ最適化で必要なのは以下のもの 1. パラメータ毎に探索してほしい範囲 2. パラメータを受け取って目的変数の値を返す目的関数 これらが用意できるのであれば、機械学習のハイパーパラメータ以外にも Optunaで目的関数に対して最適なパラメータを探索することは可能 7
- 8. Optunaを使ったおいしいコーヒーの 淹れ方を探索する流れ Optunaで パラメータを提案 自分で淹れてみて評価 (目的関数) Optunaが提案してくれたパラメータと 評価値をGoogle Sheetsに入力 豆の量: 〇g 抽出時間: 〇秒 … 過去の結果を Optunaに入力 8
- 9. Optunaを使ってコーヒーの淹れ方のデー タを解析する データ解析する目的 より少ないtrialでより最適な目的変数の値を発見できるようにする やること：重要なパラメータがどれか？を調べ、重要なパラメータの探索範囲 を狭める パラメータと目的変数の関係を理解する やること：単一のパラメータと目的変数の関係だけでなく、より複雑な複数の パラメータの組み合わせと目的変数の関係についても調べてみる 9
- 10. 今回データを取得した際に利用した 主な道具 ミル： ポーレックス コーヒーミル･Ⅱ 調節ねじのクリック数によってコーヒーの粒度を変えられる ポット：山善 電気ケトル NEKM-C1280 温度設定可能な電気ケトル 抽出器具：HARIO 浸漬式ドリッパー スイッチ コーヒー粉をお湯に浸漬してから抽出するドリッパー 10
- 11. コーヒーの淹れ方の主なパラメータ 豆の量 (g)/お湯の量(g) ミルのクリック数 パウダーコントロールのメッシュサイズ 細かすぎる豆の粉（微粉）を取り除く際に利用する茶こしのようなものが使われることが ある。これのメッシュの細かさ 蒸らし時間 蒸らしのお湯の量 (g) 抽出時間 利用するペーパーフィルターの種類 お湯の温度 などなど その他として直接探索はしないが、「最終的な豆の量 (g)/お湯の量(g)*」も記録 *: 主にパウダーコントロールのせいで、抽出する直前の豆の量は最初に準備した豆の量よりも減っ ているため、抽出直前の豆の量を再度計測し、その結果から算出した値 11
- 12. 重要なパラメータを見つける どのパラメータに注意する必要がある のか？を知るためにパラメータの重要 度を以下の関数を使って可視化 optuna.visualization.plot_param_impo rtances() 重要度は[Hutter, F.+, 2014] の手法を利 用 Tips: create_trial()とadd_trial()を活用 すれば任意のパラメータのTrialを Studyにいれて可視化できる 測定可能な値はStudyに入れてみて、重 要そうなパラメータかどうかを可視化 して確認するということが可能 結果をみると「豆の量(g)/お湯の量(g)」を探索するよりも 「最終的な豆の量 (g)/お湯の量(g)」の探索するほうがよさそう 重要 12
- 13. 「最終的な豆の量 (g)/お湯の量(g)」を探 索できるようにするには？ 「最終的な豆の量 (g)/お湯の量(g)」を指定されても、大元の「豆の量(g)/お湯 の量(g)」しか制御できない なんとかして「最終的な豆の量 (g)/お湯の量(g)」から「豆の量(g)/お湯の量 (g)」を計算する必要がある 以下のような機械学習モデルを作って予測させてしまう • 入力：最終的な豆の量 (g)/お湯の量(g)、ミルのクリック数、 パウダーコントロールのメッシュサイズ • 出力：豆の量(g)/お湯の量(g) 13
- 14. 探索範囲の変更を考える どれくらいの範囲を探索すればいいかわからな かったので、広めの探索範囲を指定してた ただし、探索範囲が広いとより多くの tiralが必要になる 以下のようにパラメータと目的変数の散布図を 出して探索範囲を狭められないか考える optuna.visualization.plot_slice(study, params=[key]) Good 「最終的な豆の量 (g)/お湯の量(g)」の0.04以下は削ってよさそう 14
- 15. 複数のパラメータとの組み合わせの効果 を見てみる 複数のパラメータが組み合わせで目的変数に 影響しているパラメータが存在する可能性が ある。 このようなパラメータがないかを確認する 際には以下のような2つのパラメータの 等高線図 (Contour Plot)を利用する optuna.visualization.plot_contour(study, params=[param_name0, param_name1]) 細挽き 粗挽き Good 「最終的な豆の量 (g)/お湯の量(g)」が大きい場合は 粗挽きにする必要がありそう 15
- 16. まとめと現状の課題 コーヒーの淹れ方の探索したデータを例に、Optunaの可視化機能を 使った以下のやり方について紹介 重要なパラメータの発見 探索範囲の変更 パラメータ同士の関係性理解 現状の課題として以下のものがある 味の微妙な違いを絶対評価するのは難しい 微妙な味の違いまで最適化したいときは、相対評価でベイズ最適化をする手法 [González+ 2017][Siivola+ 2020]を利用する必要があると考えている 同じ豆を入手し続けることが難しい場合がある （似たような味のコーヒーを飲み続けるとさすがに飽きる） 16