SciSharp Series: Classification with Keras.NET

Hai sobat dev,

Melanjutkan artikel sebelumnya tentang menggunakan Keras.NET untuk melakukan prediksi nilai (regresi), kali ini kita akan coba untuk kasus klasifikasi data (multiclass classification) lebih dari 2 kategori label.

Data yang akan kita gunakan adalah iris, hehe dataset ‘hello world’ ala ML yah.. silakan rekan-rekan download di UCI Machine Learning Repository: Iris Data Set atau di github project ini SciSharpSeries/src/Dataset at main · mifmasterz/SciSharpSeries (github.com)

Nah tugas kita adalah mengklasifikasi bunga iris berdasarkan panjang dan lebar petal dan sepalnya. Di data tersebut ada beberapa karakteristik yaitu 

1. sepal length in cm
2. sepal width in cm
3. petal length in cm
4. petal width in cm
5. class:
— Iris Setosa
— Iris Versicolour
— Iris Virginica

untuk kolom terakhir kita akan jadikan label dengan 3 kategori jenis iris. 

Start Coding

Nah, silakan rekan-rekan ikuti langkah berikut:

1. Install VSCode atau visual studio dari Download Visual Studio Code – Mac, Linux, Windows
2. Lalu install .NET 6 kalau belum terinstall, dapatkan dari Download .NET (Linux, macOS, and Windows) (microsoft.com)
3. Kemudian buatlah aplikasi console dengan cara ketik dotnet new console di command prompt, atau dari visual studio : new project > console. 
4. Klik kanan pada project lalu install nuget package : Keras.NET bisa ketik juga dengan dotnet add package Keras.NET, install juga package SliceAndDice
5. Lalu ketikan kode berikut:

6. 
   using Keras;
   using Keras.Layers;
   using Keras.Models;
   using Numpy;
   using Keras.Optimizers;
   using ML.Tools;
   using Keras.Utils;
   using SliceAndDice;
   
   var datasetPath = $"{FileHelpers.AppDirectory}\\..\\..\\..\\..\\Dataset\\iris.csv";
   Console.WriteLine(datasetPath);
   
   //tarik data csv
   var data = DatasetHelper.LoadAsDataTable(datasetPath);
   var labels = data.ToCategory("iris_type");
   //split training n test data
   var (dt_train, dt_test) = data.Split();
   //lihat data contoh
   data.Head();
   //buang kolom y
   NDarray y_train = dt_train.Pop("iris_type");
   //normalisasi dengan z-score
   data.Normalization();
   //features
   NDarray x_train = dt_train.ToNDArray();
   
   //Build sequential model
   var model = new Sequential();
   model.Add(new Dense(128, activation: "relu", input_shape: new Keras.Shape(dt_train.Columns.Count)));
   model.Add(new Dense(10, activation: "relu"));
   model.Add(new Dense(3,activation:"softmax")); //disesuaikan dengan jumlah class labelnya
   
   //Compile and train
   model.Compile(optimizer: new Adam(), loss: "sparse_categorical_crossentropy", metrics: new string[] { "accuracy" } );
   model.Fit(x_train, y_train, batch_size: 1, epochs: 100, verbose: 1, validation_split: 0.2f);
   
   //test
   var jawaban = dt_test.ToStringArray("iris_type");
   NDarray y_test = dt_test.Pop("iris_type");
   dt_test.Normalization();
   NDarray x_test = dt_test.ToNDArray();
   
   var score = model.Evaluate(x_test, y_test);
   Console.WriteLine("Test loss: {0:n2}", score[0]);
   Console.WriteLine("Test accuracy: {0:n2}", score[1]);
   
   //test
   var res = model.Predict(x_test);
   //parse ndarray to float
   ArraySlice<float> ts = new ArraySlice<float>(res.GetData<float>());
   //slice and dice
   var xx = ts.Reshape(3, dt_test.Rows.Count).Chunk(3);
   var counter = 0;
   foreach(var x in xx)
   {
       var max = x.Max();
       var index = Array.IndexOf(x, max);
       Console.WriteLine($"test no.{counter+1} = {labels[index]} / {(index ==  int.Parse(jawaban[counter]) ? "benar":"salah")}");
       counter++;
   }
   
   //Save model and weights
   string json = model.ToJson();
   File.WriteAllText("model.json", json);
   model.SaveWeight("model.h5");
   
   //Load model and weight
   var loaded_model = Sequential.ModelFromJson(File.ReadAllText("model.json"));
   loaded_model.LoadWeight("model.h5");

7. Silakan jalankan dengan menekan F5

Penjelasan

Perbedaan saat melakukan tugas klasifikasi bisa dilihat penggunaan activation function di output layer yaitu menggunakan softmax, lalu jumlah nodenya sebanyak class labelnya yaitu 3. 

Sedangkan saat training kita gunakan parameter loss functionnya sparse_categorical_crossentropy dan metricnya adalah accuracy. Ada sedikit proses preprocessing yaitu mengubah label menjadi category yaitu 0, 1, 2. untuk mengubah data string menjadi numerical label. Jangan lupa saat melakukan inferensi, outputnya di konversi balik menjadi string.   

Silakan coba project lengkapnya dari link berikut: SciSharpSeries/src/KerasNet.MultiClassification at main · mifmasterz/SciSharpSeries (github.com)

-Salam Developer