第5回Jubatusハンズオンで利用した説明資料です。

1. Python 特徴抽出プラグイン
Tetsuya Shioda
Jubatus hands-on #5 November 1, 2017

2. Python 特徴抽出プラグイン とは
• Jubatus で特徴抽出を より簡単に 記述できる
Pythonモジュール
• 何が嬉しい？
• scikit-learn や NTLK など外部ライブラリと連携が可能
• Python で記述できる手軽さ。C++を書かなくてもOK。
• 利用環境：
• Python 2.6 以降、Python 3.3 以降をサポート
• Jubatus 1.0.5 以降で利用可能
Jubatus hands-on #5 2

3. 今までの特徴抽出プラグインでは
• C++実装で、記述量が若干多い。
Jubatus hands-on #5 3

4. 特徴抽出をもっと簡単に
• たった８行で特徴抽出ができるようになります
• 数値 / テキスト / バイナリ特徴量の特徴抽出に対応
• Python外部ライブラリとの連携が可能
Jubatus hands-on #5 4

5. 数値特徴量に対する特徴抽出
Jubatus hands-on #5 5

6. NLTKによるテキスト特徴量抽出
Jubatus hands-on #5 6
foxes -> fox など原型変換できる
開始位置
文字列データ
データ長 スコア
0でもOK0でもOK 通常は1.0でOK
トークン化

7. 使い方
1. 特徴抽出プラグインを実装する（ .pyファイルを作成）
2. PYTHONPATHが通っているところに .py ファイルを配置する
3. 設定ファイルを記述、Jubatusサーバを起動すれば利用できる
Jubatus hands-on #5 7
.py ファイル名
クラス名
rulesの中で呼ぶ

8. デモ：
Jubatus hands-on #5 8
時系列特徴抽出プラグイン
https://github.com/jubatus/events/
hands-on-5th/python-plugin

9. 時系列データ分析
• 時間とともに変化するデータ系列を予測したい
• 電力消費量、株価、売上高など
• 自己回帰(AR)モデル
• 最も単純な時系列データ予測手法の１つ
• AR(p)モデル：現在の値が、過去 p 期分のデータに依存する モデル
Jubatus hands-on #5 9
𝒚 𝒕 = 𝒄 + ෍
𝒊=𝟏
𝒑
𝒘𝒊 𝒚 𝒕−𝒊 + 𝜺 𝒕
AR(2)系列
321
Jubatus に
一工夫が必要

10. • Jubatusは受け取ったデータを学習してすぐ捨てる。保存はしない。
• 受け取ったデータを一時的に保存するキャッシュが必要
• 特徴抽出プラグイン側で保存するようにしよう
過去のデータを保存するには
Jubatus hands-on #5 10
Cache 必要なくなったら削除する

11. 自己回帰モデルの特徴抽出
Jubatus hands-on #5 11
特徴量ごとにキャッシュを持つ
最新データをキャッシュに格納
一番古いデータを削除
過去p期分の特徴量を全て生成
特徴抽出結果とする

12. サンプルプラグイン
• GitHub の jubatus リポジトリで以下の４種類のサンプルを提供
• binary_length.py：バイナリデータ長取得
• number_multiplier.py：掛け算
• sentence_stemmer.py：NTLKによるステミング
• space_splitter.py：単語のスペース区切り
• 各プラグインの利用方法は、公式Webサイトをご覧ください
http://jubat.us/ja/fv_convert.html#python-bridge
Jubatus hands-on #5 12

13. さいごに
Pull-Request お待ちしてます！
https://github.com/jubatus/jubatus
Jubatus hands-on #5 13