Rust 製の汎用機械学習ライブラリ rusty-machine
本記事は Rust Advent Calendar 2016 10日目の記事です。
Rust Advent Calendar 2016 へ多くの方にご参加いただき、(一応)主催者としては嬉しい限りです。 遅くなってしまいましたが、この場を借りてお礼を申し上げます。
今回は Rust 製の汎用機械学習ライブラリである rusty-machine
を紹介します。
rusty-machine
rusty-machine
は Rust で書かれた汎用の機械学習ライブラリです。
100% Rust で書かれており、外部ライブラリへの依存なく使用できることが特長です。
公式の README によると、2016年12月10日現在以下の手法に対応しています。
scikit-learn
など既存の機械学習ライブラリと比較するとまだ足りない機能もありますが、そのあたりは今後の発展次第でしょうか。
教師あり学習:
- 線形回帰
- ロジスティック回帰
- ガウス過程回帰
- 一般化線形モデル
- サポートベクターマシン
- ニューラルネットワーク
- ナイーブベイズ
教師なし学習:
- -means 法
- 混合ガウスモデル
- DBSCAN
使用例 : 混合ガウスモデルの教師なし学習
使用例として、混合ガウスモデルによる教師なし学習のサンプルを作成しました。ただ、学習結果を表示する方法について延々と考えていたら時間切れになってしまい後半部分がごちゃごちゃになっているのでご注意ください…
extern crate csv; extern crate rand; extern crate rustc_serialize; extern crate rusty_machine as rm; extern crate rmp_serialize as msgpack; use rand::distributions::IndependentSample; use rm::linalg::{Vector, Matrix}; use rm::learning::gmm::{CovOption, GaussianMixtureModel}; use rm::learning::UnSupModel; #[allow(dead_code)] #[derive(Debug, Clone, RustcDecodable)] struct Iris { sepal_length: f64, sepal_width: f64, petal_length: f64, petal_width: f64, class: i32, } fn load_iris_dataset() -> (Vec<Vec<f64>>, Vec<Vec<f64>>) { let mut reader = csv::Reader::from_file("./data/iris.csv").unwrap().has_headers(true); let mut dest = Vec::new(); for row in reader.decode() { let row: Iris = row.unwrap(); dest.push(vec![row.sepal_length, row.sepal_width]); } let mut rng = rand::thread_rng(); let dist = rand::distributions::Range::new(0.0, 1.0); dest.iter() .cloned() .partition(|_| dist.ind_sample(&mut rng) >= 0.02) } fn into_matrix(data: &Vec<Vec<f64>>, size: usize) -> Matrix<f64> { Matrix::new(data.len(), size, data.iter().flat_map(Clone::clone).collect::<Vec<f64>>()) } fn main() { // read iris dataset. let (train_inputs, test_inputs) = load_iris_dataset(); // construct Gaussian mixture model. let mut gmm = GaussianMixtureModel::new(2); gmm.set_max_iters(100); gmm.cov_option = CovOption::Full; // train. let inputs = into_matrix(&train_inputs, 2); gmm.train(&inputs).unwrap(); // calculate let inputs = into_matrix(&test_inputs, 2); let probs = gmm.predict(&inputs).unwrap(); plot_result(train_inputs, test_inputs, probs.into_vec(), gmm.means().cloned().unwrap(), gmm.covariances().cloned().unwrap(), gmm.mixture_weights().clone()); } fn plot_result(train_inputs: Vec<Vec<f64>>, test_inputs: Vec<Vec<f64>>, probs: Vec<f64>, means: Matrix<f64>, covariances: Vec<Matrix<f64>>, mixture_weights: Vector<f64>) { #[derive(RustcEncodable)] struct Value { train_inputs: Vec<Vec<f64>>, test_inputs: Vec<Vec<f64>>, probs: Vec<f64>, means: Vec<f64>, covariances: Vec<Vec<f64>>, mixture_weights: Vec<f64>, } let val = Value { train_inputs: train_inputs, test_inputs: test_inputs, probs: probs, means: means.into_vec(), covariances: covariances.into_iter().map(|c| c.into_vec()).collect(), mixture_weights: mixture_weights.into_vec(), }; use rustc_serialize::Encodable; use msgpack::Encoder; let mut buf = Vec::new(); val.encode(&mut Encoder::new(&mut buf)).unwrap(); use std::io::Write; use std::process::{Command, Stdio}; let mut child = Command::new("python") .arg("./scripts/plot.py") .stdin(Stdio::piped()) .spawn() .unwrap(); child.stdin.as_mut().unwrap().write_all(&buf[..]).unwrap(); child.wait_with_output().unwrap(); }
リポジトリは GitHub に公開しておきました。ちまちま更新するかもしれませんがこちらもご参照ください。
おわりに
正直 Python に比べると必要な crate がまだまだ不足しているため苦労しますが、今後の発展次第では快適に機械学習を組み込んだアプリケーションを作成することができると感じました(雑)。
以上、Rustアドベントカレンダー 10日目の記事でした。