インテル® DAAL を使用した Python* ナイーブベイズ・アルゴリズムのパフォーマンス向上

この記事は、インテル® デベロッパー・ゾーンに公開されている「Using Intel® Data Analytics Acceleration Library to Improve the Performance of Naïve Bayes Algorithm in Python*」(https://software.intel.com/content/www/us/en/develop/articles/using-intel-data-analytics-acceleration-library-improve-performance-of-na-ve-bayes.html) の日本語参考訳です。

---

この記事の PDF 版はこちらからご利用になれます。

はじめに

Netflix は視聴者が興味を持ちそうな動画をお勧めし、Amazon は潜在的な顧客に適切な商品を提案し、Microsoft Outlook* はスパムメールを分類します。

それぞれ、どのようにしているのでしょうか? Netflix は、視聴履歴から顧客に動画を勧めています。Amazon は、顧客の閲覧および購入履歴データを使用して、顧客が興味を持ちそうな製品を提案しています。Microsoft は、膨大な量のメールを分析して、メールがジャンクメールやスパムメールかを特定しています。

Netflix、Amazon、および Microsoft は、顧客のニーズに応えるため、過去のデータを分析しています。ソーシャルメディアやインターネットで膨大な量のデータ (ビデオ、オーディオ、テキスト) が利用できるようになったことで、人々がどのように考え、行動し、社会や環境と向き合っているか理解するため、これらのビッグデータを扱う人的介入を最小限に抑えた効率良い方法が必要になり、マシンラーニングが注目されています¹。

この記事では、マシンラーニングとナイーブベイズ (NB) と呼ばれるマシンラーニングの手法/アルゴリズムにを説明します²。また、NB アルゴリズムのパフォーマンスを向上するインテル® データ・アナリティクス・アクセラレーション・ライブラリー (インテル® DAAL) についても述べます³。

マシンラーニングとは?

マシンラーニング (ML) は、データセットに基づく解析モデルの作成に使用されるデータ解析手法です。解析モデルは、新しいデータが供給されると、明示的なプログラミングなしで学習することができます。ML はかなり前から存在していましたが、最近になって次の理由からその有用性が証明されました。

• ソーシャルメディアやインターネットで利用可能なデータの量と種類の増加
• コンピューター・システムの性能の向上
• データストレージの大容量化と低価格化

最も一般的なタイプの ML は、教師あり学習⁴ と教師なし学習⁵ です。

教師あり学習では、入力データのセットとラベル (既知の結果) のセットを使用してアルゴリズムをトレーニングします。アルゴリズムは、入力データの結果とラベルを比較するたびに学習し、マシンラーニング・モデルを調整します。分類は、教師あり学習と見なされます。

教師あり学習とは異なり、教師なし学習では、アルゴリズムが学習に使用できるラベルはありません。代わりに、入力データを調査して、自力でパターンを検出する必要があります。例えば、ある人物が世界のどの地域に属しているか分類するには、アルゴリズムは人口データを調査し、人種、宗教、言語などを特定する必要があります。

図 1: マシンラーニングの概略図

図 1 は、ML の仕組みの概略図です。最初に、トレーニング・データセットを使用して ML アルゴリズムをトレーニングして、ML モデルを作成します。ML モデルはテスト・データセットを処理して、最終的に結果を予測します。

次のセクションでは、教師あり学習アルゴリズムの 1 つである、ナイーブベイズ・アルゴリズムについて説明します。

ナイーブベイズ・アルゴリズム

ナイーブベイズ (NB) アルゴリズムは、ベイズの定理⁶ に基づく分類手法で、すべての特徴は互いに独立していると仮定します。

ベイズの定理は、次の式で表されます。

ここで、X と Y は特徴です。

• P(Y|X) は、X が与えられたときの Y の確率です。
• P(X|Y) は、Y が与えられたときの X の確率です。
• P(Y) は、Y の事前確率です。
• P(X) は、X の事前確率です。

この式² は、次のように書き換えることができます。

ここで、X = (x_1, x_2,… x_n) は n 個の特徴のベクトルを表します。

NB アルゴリズムは、メールのソート、ドキュメントの分類、スパムメールの検出など、一般的に使用されています。

図 2 は NB アルゴリズムの仕組みを示しています。

図 2: ナイーブベイズ・アルゴリズムを使用したマシンラーニングの図

図 2 から、トレーニング・データセットは、トレーニング・ラベルとトレーニング・データで構成されることが分かります。トレーニング・ラベルは、トレーニング・データの正しい出力です。分類器を作成には、この 2 つのセットが必要です。分類器を作成したら、評価のためテスト・データセットを分類器に供給します。

図 3: ナイーブベイズ・アルゴリズムを使用したスパムメールの検出

図 3 は、スパムメールを検出する NB アルゴリズムのフローです。メール分類器を作成するため、既知のスパムメールを NB アルゴリズムに供給します。分類器を作成したら、不明なメールをメールを分類器に供給してスパムかどうかチェックします。

NB の使用例

以下は、NB の使用例です。

• NB のスピードを利用したリアルタイム予測
• 花の分類などのマルチクラス/多項分類
• スパムメールの検出
• テキストの分類

NB のメリットとデメリット

以下は、NB のメリットとデメリットです。

メリット

• 素早くモデルをトレーニングできる
• マルチクラスの予測に優れている

デメリット

• トレーニング・データセットにラベルが含まれていない場合、予測できない
• 大きなデータセットの処理に適していない
• 特徴/イベントは常に完全に独立しているわけではない

大きなデータセットでは、モデルのトレーニングに長い時間がかかります。特定のモデルでは、数週間、あるいは数カ月を要します。トレーニングの最適化を支援するため、インテル® DAAL が開発されました。

インテル® DAAL

インテル® DAAL⁷ は、データ解析とマシンラーニング向けに最適化された多くの基本ビルディング・ブロックからなるライブラリーです。これらの基本ビルディング・ブロックは、最新のインテル® プロセッサーの機能向けに高度に最適化されています。多項ナイーブベイズ分類器は、インテル® DAAL が提供する分類アルゴリズムの 1 つです。この記事では、PyDAAL¹⁰ (インテル® DAAL の Python* API) を使用して基本的なナイーブベイズ分類器を作成します。

インテル® DAAL の NB アルゴリズムを使用する

このセクションでは、インテル® DAAL の Python*⁹ 多項 NB アルゴリズム⁸ を呼び出す方法を示します。

次のステップに従って、インテル® DAAL から NB アルゴリズムを呼び出します。

1. from コマンドと import コマンドを使用して、必要なパッケージをインポートします。
   1. 次のコマンドを実行して NumPy* をインポートします。

      import numpy as np

   2. 次のコマンドを実行して、インテル® DAAL の数値テーブルをインポートします。

      from daal.data_management import HomogenNumericTable

   3. 次のコマンドを実行して、NB アルゴリズムをインポートします。

      from daal.algorithms.multinomial_naive_bayes import prediction, training
from daal.algorithms import classifier

2. 入力データセットをトレーニング・データとテストデータに分割する関数を作成します。

   基本的に、入力データセット配列を 2 つの配列に分割します。例えば、100 行のデータセットを 80/20 (データの 80% をトレーニング用、20% をテスト用) に分割します。入力データセット配列の最初の 80 行がトレーニング・データになり、残りの 20 行がテストデータになります。

3. インテル® DAAL で読み取れるように、トレーニング・データセットとテスト・データセットを再構成します。

   次のコマンドを実行して、以下のようにデータを再構成します (“trainLabels” と “testLabels” は n × 1 テーブルとして扱います。ここで、n は対応するデータセットの行数です)。

   trainInput = HomogenNumericTable(trainingData)
trainLabels = HomogenNumericTable(trainGroundTruth.reshape(trainGroundTruth.shape[0],1))
testInput = HomogenNumericTable(testingData)
testLabels = HomogenNumericTable(testGroundTruth.reshape(testGroundTruth.shape[0],1))

   説明:
   trainInput: インテル® DAAL の数値テーブルに再構成されたトレーニング・データ。
   trainLabels: インテル® DAAL の数値テーブルに再構成されたトレーニング・ラベル。
   testInput: インテル® DAAL の数値テーブルに再構成されたテストデータ。
   testLabels: インテル® DAAL の数値テーブルに再構成されたテストラベル。

4. モデルをトレーニングする関数を作成します。
   1. 最初に、次のコマンドを実行して、モデルをトレーニングするアルゴリズム・オブジェクトを作成します。

      algorithm = training.Batch_Float64DefaultDense(nClasses)

   2. 次のコマンドを実行して、トレーニング・データとラベルをアルゴリズムに渡します。

      algorithm.input.set(classifier.training.data, trainInput)
algorithm.input.set(classifier.training.labels, trainLabels)

      説明:
      algorithm: 上記のステップで定義したアルゴリズム・オブジェクト。
      trainInput: トレーニング・データ。
      trainLabels: トレーニング・ラベル。

   3. 次のコマンドを実行して、モデルをトレーニングします。

      Model = algorithm.compute()

      説明:
      algorithm: 上記のステップで定義したアルゴリズム・オブジェクト。

5. モデルをテストする関数を作成します。
   1. 最初に、次のコマンドを実行して、モデルをテスト/予測するアルゴリズム・オブジェクトを作成します。

      algorithm = prediction.Batch_Float64DefaultDense(nClasses)

   2. 次のコマンドを実行して、テストデータとトレーニング済みモデルをモデルに渡します。

      algorithm.input.setTable(classifier.prediction.data, testInput)
algorithm.input.setModel(classifier.prediction.model, model.get(classifier.training.model))

      説明:
      algorithm: 上記のステップで定義したアルゴリズム・オブジェクト。
      testInput: テストデータ。
      model: モデル・オブジェクトの名前。

6. 次のコマンドを実行して、モデルをテスト/予測します。

   Prediction = algorithm.compute()

   説明:
   algorithm: 上記のステップで定義したアルゴリズム・オブジェクト。
   prediction: テストデータの予測されたラベルを含む予測結果。

まとめ

インテル® DAAL アルゴリズムは、最新のインテル® プロセッサーの機能向けに高度に最適化されているため、インテル® DAAL アルゴリズムを使用することで、ML 関連のアプリケーションのパフォーマンスを容易に向上できます。また、新しいインテル® プロセッサーの機能を利用するため、コードを変更する必要がありません。インテル® DAAL の最新バージョンにリンクするだけで、最新のインテル® プロセッサーの機能を利用できます。

次の記事では、サポート・ベクトル・マシン (SVM) など、ほかのインテル® DAAL アルゴリズムを取り上げる予定です。

著者

Khang Nguyen
Zhang Zhang

関連情報

1. https://ja.wikipedia.org/wiki/%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92
2. https://ja.wikipedia.org/wiki/%E5%8D%98%E7%B4%94%E3%83%99%E3%82%A4%E3%82%BA%E5%88%86%E9%A1%9E%E5%99%A8
3. インテル® DAAL
4. https://ja.wikipedia.org/wiki/%E6%95%99%E5%B8%AB%E3%81%82%E3%82%8A%E5%AD%A6%E7%BF%92
5. https://ja.wikipedia.org/wiki/%E6%95%99%E5%B8%AB%E3%81%AA%E3%81%97%E5%AD%A6%E7%BF%92
6. https://ja.wikipedia.org/wiki/%E3%83%99%E3%82%A4%E3%82%BA%E3%81%AE%E5%AE%9A%E7%90%86
7. インテル® DAAL の概要 (https://software.intel.com/en-us/blogs/daal)
8. https://en.wikipedia.org/wiki/Naive_Bayes_classifier#Multinomial_naive_Bayes (英語)
9. https://www.python.org/ (英語)
10. Linux* でインテル® DAAL の Python* バージョンをインストールする方法 (英語)

---

製品とパフォーマンス情報

¹ インテル® コンパイラーでは、インテル® マイクロプロセッサーに限定されない最適化に関して、他社製マイクロプロセッサー用に同等の最適化を行えないことがあります。これには、インテル® ストリーミング SIMD 拡張命令 2、インテル® ストリーミング SIMD 拡張命令 3、インテル® ストリーミング SIMD 拡張命令 3 補足命令などの最適化が該当します。インテルは、他社製マイクロプロセッサーに関して、いかなる最適化の利用、機能、または効果も保証いたしません。本製品のマイクロプロセッサー依存の最適化は、インテル® マイクロプロセッサーでの使用を前提としています。インテル® マイクロアーキテクチャーに限定されない最適化のなかにも、インテル® マイクロプロセッサー用のものがあります。この注意事項で言及した命令セットの詳細については、該当する製品のユーザー・リファレンス・ガイドを参照してください。

注意事項の改訂 #20110804