#82 予測結果の図示と検証

5th STEP ディープラーニング Section 8 予測結果の図示と検証 データサイエンス チュートリアル 1

予測結果の図示 np.argmax(predictions[数字]) で、画像が何かを予測できるようになりました。 これ以降は、右図のように『予測結果の一部を一覧で 表示し、確率をグラフで図示する』コードを体験してみま しょう。 画像と確率がグラフで分かりやすいですね。出来上がった モデルをプレゼンテーションする際に、非常に説得力のあ る方法ですので、さっそくコードを見ていきましょう。 ※ Matplotlibが中心になりますので、興味のある方は、 下記を参照してください。 【参考】matplotlib – GridSpec で図の中に複数のグラフを作成する 方法 興味が湧かない方は、こういうコードもあると頭の片隅に でも記憶しておいて、使う場面があったらコピペしましょう。 データサイエンス チュートリアル 2

• https://pystyle.info/matplotlib-grid-sepc/

自作の関数 ここでは、自作の関数を作成し、『予測結果の一部を一 覧で表示し、確率をグラフで図示する』コードを書いていき ます。 def 関数名(引数): 処理内容 関数名は自由に決めることができますが、慣習としてすべて 小文字にします。関数名に複数の単語を使う時は、単語の 間に『_』を使います。 右に、簡単な例を挙げておきます。 『while』は、条件を満たさなくなったら繰返し処理（ルー プ）を終了するものです。以前解説した『forループ』では、 指定された回数繰り返すと終了でしたので、繰返し処理 （ループ）の条件が異なりますね。 【参考】#35 データの結合 https://tutorial4datascience.blogspot.com/2024/03/35.html データサイエンス チュートリアル 3

• https://tutorial4datascience.blogspot.com/2024/03/35.html

画像と予測ラベルを表示する関数 (1) チュートリアルのコードを見てみましょう。前半の部分は、自作の関数『plot_image』を定義したもので、それは、指定した1 枚の画像を表示し、その下に『予測結果』、『確率（%）』、『実際の正解』をテキストで表示させる関数です。 データサイエンス チュートリアル 4

画像と予測ラベル等を表示する関数 (2) 1行目 『plot_image』関数は、画像分類モデルの予測結果画像とその画像に対する予測ラベル、予測確率 （確信度）、正解ラベルを一緒にプロット（可視化）するための関数であることを定義しています。 2行目 １．データの取り出しと設定: true_label, img = true_label[i], img[i] で、指定されたインデックス i 番目の『正解ラベル』と『画像データ』を取得します。 3～5行目 ２．プロットの初期化: plt.grid(False) でグリッド線を非表示にし、plt.xticks([]), plt.yticks([]) で 目盛りを非表示にしています。 7行目 ３．画像の描画: plt.imshow(img, cmap=plt.cm.binary) で、画像を白黒（バイナリ）のカラー マップで描画します。 9～13行目 ４．予測結果の判定と色の決定: predicted_label = np.argmax(predictions_array) で、モデル の出力（確率配列）の中で最も確率が高いクラスのインデックスを取得します。 それが正解ラベルと 一致していれば青色 (blue)、間違っていれば赤色 (red) をテキストの色として設定します。 15～18行目 ５．ラベル（テキスト）の追加: plt.xlabel(...) で画像の下部にラベルを追加します。表示される内容は 以下の形式です。 [予測したクラス名] [予測の確信度 (%)] ([正解のクラス名]) この文字の色は、 先ほど判定した色（正解なら青、不正解なら赤）になります。 データサイエンス チュートリアル 5

10個のクラスの予測確率を棒グラフで表示する関数 (1) 後半の部分は、自作の関数『plot_value_array』を定義したもので、それは、モデルが出力した10個のクラスごとの確 率を、0～1の範囲の棒グラフで可視化させるものです。 データサイエンス チュートリアル 6

10個のクラスの予測確率を棒グラフで表示する関数 (2) 1行目 『plot_value_array』関数は、モデルの予測結果（各クラスの確率）を棒グラフとして視覚化するた めの関数であることを定義しています。 2行目 １．指定されたインデックス 『i』に対応する実際の正解ラベルを取得します。 3行目 ２．グラフのグリッド（目盛線）を非表示にします。 4行目 ３．X軸の目盛りを 0 から 9 の範囲（合計10クラス）に設定します。 5行目 ４．Y軸の目盛りラベルを非表示にします。 6行目 ５．10個のクラスの予測確率を棒グラフとして描画します。初期状態の棒の色はグレー （#777777）に設定します。 7行目 ６．Y軸の表示範囲を 0 から 1（0%～100%）に制限します。 8行目 ７．予測配列（predictions_array）の中で、最も確率が高い値のインデックス（モデルの予測 ラベル）を取得します。 データサイエンス チュートリアル 7

10個のクラスの予測確率を棒グラフで表示する関数 (3) 10行目 ８．モデルが予測したラベルに対応する棒の色を『赤（red）』に変更します。 11行目 ９．実際の正解ラベルに対応する棒の色を『青（blue）』に変更します。 ※ もしモデルの予測が正解だった場合（predicted_label == true_label）、同じ棒に対して 赤を設定した後に青で上書きするため、結果として棒は青一色になります。 もしモデルの予測が 不正解だった場合（predicted_label != true_label）、予測した箇所の棒は赤、本来の 正解の箇所の棒は青になり、一目で間違えた箇所と正解の箇所が分かるようになります。 データサイエンス チュートリアル 8

予測を検証する (1) では、予測を検証するために、テスト用データ セットの最初の画像（インデックス 0）について、 モデルの予測画像と各クラスの予測確率の棒 グラフを左右に並べて表示するコードを実行し てみましょう。 1行目：表示したいテストデータのインデックス を指定 1 2 3 4 5 6 7 i=0 plt.figure(figsize=(6,3)) plt.subplot(1,2,1) plot_image(i, predictions[i], test_labels, test_images) plt.subplot(1,2,2) plot_value_array(i, predictions[i], test_labels) plt.show() 2行目：描画するグラフ全体のサイズを『横6 インチ、縦3インチ』に設定 3行目：画面を1行2列に分割し、その『1つ 目（左側）』のエリアを操作対象に します。 データサイエンス チュートリアル 9

予測を検証する (1) 4行目：そのエリアに対して、先ほど定義した plot_image 関数を呼び出し、1枚目の画像と、予測結果のテキスト （正解なら青、不正解なら赤）を描画します。 5行目：キャンバスの「2つ目（右側）」のエリアを選択します。 6行目：そのエリアに対して、先ほど定義した plot_value_array 関数を呼び出し、10個のクラスごとの予測確率を示す 棒グラフを描画します。 7行目：パソコンの画面上に出力・表示します 画像（インデックス 0）について、モデルの予測画像、予測結果、各クラスの予測確率の棒グラフが左図のように表示されま した。 データサイエンス チュートリアル 10

予測を検証する (2) 予測を検証するために、テスト用データセットの別 の画像（インデックス 12）についても同様に表 示させることができます。 確率が一番大きい棒グラフ（クラス 5）が、赤色 になっていますね。 これは、予測が間違っていたことを示します。確か に画像はSandalに似ていますね・・・。 データサイエンス チュートリアル 11

予測を検証する (3) それでは、複数の予測を表示さ せましょう。 右図が、テスト用データセットの 最初の15個（5行 × 3列）の データに対して、それぞれの画像 （予測結果含む）と予測確率 の棒グラフを並べて一括で表示 するコードです。 個別に1個ずつ確認するのでは なく、15枚の画像とモデルの予 測分布を一度に並べて確認す ることができます。 1 2 3 4 5 6 7 8 9 10 11 num_rows = 5 num_cols = 3 num_images = num_rows*num_cols plt.figure(figsize=(2*2*num_cols, 2*num_rows)) for i in range(num_images): plt.subplot(num_rows, 2*num_cols, 2*i+1) plot_image(i, predictions[i], test_labels, test_images) plt.subplot(num_rows, 2*num_cols, 2*i+2) plot_value_array(i, predictions[i], test_labels) plt.tight_layout() plt.show() これにより、モデルがどのような種類の画像（例えばコートとプルオーバーなど）に対して予測を間違いやすいかを視覚的に素 早く把握することができます。 確率が高い場合でも、モデルが間違っていることがあることに注意してください。 データサイエンス チュートリアル 12

予測を検証する (3) 結果を見ると、 15枚の画像とモデルの予測分 布が一覧で表示されました。 これにより、モデルがどのような種類の画像（例 えばコートとプルオーバーなど）に対して予測を 間違いやすいかを視覚的に素早く把握すること ができます。 確率が高い場合でも、モデルが間違っているこ とがあることに注意してください。 データサイエンス チュートリアル 13

予測を検証する (4) 1～2行目 １．描画するグリッドの行数と列数を指定します。 3行目 ２．表示するトータルの画像数を計算します（5 × 3 = 15個）。 4行目 ３．描画する全体のサイズを指定します。 1ペアあたり『横4インチ、縦2インチ』のサイズで、全体としては『横12インチ、縦10インチ』になります。 5行目 ４．15回ループを回して、画像とグラフを順に並べていきます。 6～7行目 ５．左側（画像表示）の設定をしています。画面全体を『5行、6列』に分割したうちの、奇数番目 （2×i+1）の位置に画像を配置します。 8 ～9行目 ６．右側（棒グラフ）の設定をしています。画面全体を『5行、6列』に分割したうちの、偶数番目 （2 × i+2）の位置に予測確率のグラフを配置します。 10行目 ７．各グラフが重ならないように自動で綺麗に配置を調整します。 11行目 ８．完成した15ペアのグラフを表示します。 データサイエンス チュートリアル 14