TabFM(表形式のデータを学習なしで予測する基盤モデル）を使ってMLCCの特性表から静電容量の値を回帰ではなくクラス分類として予測する。

前回は静電容量の値を回帰で出してみたが精度がいまいち。しかしよく考えると静電容量は連続値でないE12系列などの飛び飛びの値。

なのでこれはクラス分類のほうがよさそうだ。ただ、TabFMは10クラスしか扱えないという制限があるので、データもそういう風に整備する。

コードはこちら。

import numpy as np

import pandas as pd

from tabfm import TabFMClassifier

from tabfm import tabfm_v1_0_0_pytorch as tabfm_v1_0_0

model = tabfm_v1_0_0.load()

# Initialize scikit-learn compatible classifier (works with either backend model)

clf = TabFMClassifier(model=model)

df = pd.read_csv("TDK-MLCC.csv")

x_train = df.query("用途 == '一般グレード'")

x_train = x_train[x_train["静電容量／μF"] != 1.0]

x_train["静電容量／μF"] = x_train["静電容量／μF"].astype(str)

y_train = x_train.pop("静電容量／μF")

test_index = [50, 150, 240]

x_test = x_train.iloc[test_index]

x_train.drop(index = test_index, inplace = True)

y_test = y_train.iloc[test_index] # type: ignore

y_train.drop(index = test_index, inplace = True)

# Fit classifier (prepares ordinal encoders and numerical scalers)

clf.fit(x_train, y_train)

# Predict classes and probabilities

predictions = clf.predict(x_test)

probabilities = clf.predict_proba(x_test)

print("Predictions:", predictions)

print("Class Probabilities:\n", probabilities)

print("       True:", y_test.to_list())

結果はこちら。

Predictions: ['2.2' '22.0' '10.0']
Class Probabilities:
[[1.15701202e-02 4.78710172e-06 4.72581050e-08 9.81490731e-01
3.31421468e-08 3.34151351e-04 9.16079443e-08 6.59889635e-03
1.15803189e-07 1.16109902e-06]
[2.71371789e-07 2.58808053e-04 2.32526526e-01 3.94158889e-07
5.79770863e-01 4.53871024e-07 1.18982181e-01 1.01529497e-06
6.84518740e-02 7.61938372e-06]
[9.79582197e-04 6.07997537e-01 1.10605210e-02 2.15547858e-03
7.49026585e-05 4.17377315e-02 1.05659765e-05 6.12176247e-02
5.48036451e-06 2.74760544e-01]]
True: ['2.2', '22.0', '10.0']

なるほどちゃんと予測できている。回帰はもっと連続値を持つものがよさげだがなんのネタを使おうか…