Fujiwo/PredictStockPrice-AI-decode

stock price prediction sample for Microsoft de:code 2018 AI sessions

PredictStockPrice-AI-decode

PredictStockPrice Sample for Microsoft de:code 2018 AI sessions

Microsoft Azure Machine Learning Studio による株価予想プログラム

---

概要:

Microsoft de:code 2018 で提供されるサンプル コードです。

Microsoft Azure Machine Learning Studio 上で、株価データを Python で加工し、機械学習させ、学習後のモデルから API を作成し、それを C# で呼んでみるところまでのチュートリアルです。

Azure Machine Learning Studio を使うと、簡単に機械学習を利用した API を作ることができます。 その流れをステップ・バイ・ステップで説明します。

機械学習に用いるのは、福井コンピュータホールディングス株式会社 (9790) の実際の株価データ (12年分、2,986件) です。

---

レポジトリーの中のファイル:

ファイル名	説明	使用されている章
9790.csv	株価データ (CSV)	2.6
AzureMachineLearningScript.1.py	Microsoft Azure Machine Learning Studio で用いる Python Script	3.13
PredictStockPrice.Console/Program.cs	Microsoft Azure Machine Learning Studio で作成した API を呼び出す C# のサンプル コード	5

---

チュートリアル 目次:

• 1. SQL データベースの作成
• 2. SQL データベースへのデータのアップロード
• 3. Microsoft Azure Machine Learning Studio によるマシーンラーニング (機械学習)
• 4. Microsoft Azure Machine Learning Studio でマシーンラーニング (機械学習) したモデルから API を作成
• 5. C# から API を呼んでみるテスト

---

1. SQL データベースの作成

1.1 Azure ポータル にサインインして、SQL データベースを作成します。

1.2 「データベース名」を入力し、「サブスクリプション」を選択、「リソースグループ」を入力し、サーバーの構成を行います。

サーバーの構成では、サーバー管理者ログインやパスワードなどを設定します。

1.3 「価格レベル」を設定し、「作成」します。

1.4 作成されたデータベースの「接続文字列」を確認してみましょう。

1.5 サーバー名などが含まれた「接続文字列」が確認できます。

---

2. SQL データベースへのデータのアップロード

2.1 SQL Server Management Studio (SSMS) を起動し、SQL データベースに接続します。

先ほどの接続文字列の中のサーバー名と、サーバーの構成で設定したサーバー管理者ログインやパスワードなどを入力します。

2.2 Azure にサインインします。

2.3 ファイアウォール ルールを設定します。

2.4 SQL データベースに接続されました。

2.5 データベースに対して、タスクからフラットファイルをインポートしましょう。

2.6 本レポジトリーの中の「9790.csv」を指定します。

2.7 データがプレビューされます。

2.8 各列のデータ タイプや主キーを設定します。

2.9 インポートされたら、テーブルの中のデータを確認してみましょう。

---

3. Microsoft Azure Machine Learning Studio によるマシーンラーニング (機械学習)

3.1 Microsoft Azure Machine Learning Studio にサインインします。

料金プランを選びます。ここでは、「Free Workspace」を選ぶことにします。

3.2 「EXPERIMENTS」-「NEW」で新しい Experiment の追加を開始します。

3.3 Blank Experiment を選んで追加します。

3.4 左側のツール パレットから、「Data Input and Output」の中の「Import Data」を**の作図エリアの先頭の箱にドラッグ アンド ドロップします。

3.5 「Import Data」のプロパティを設定します。

「Launch Import Data Wizard」をクリックして、インポート データ ウィザードを起動します。

3.6 「Azure SQL Database」を選択して、次へ行きます。

3.7 「Subscription ID」、「Database server name」、「Database name」、「User name」そして「Password」を入力します。

「Test Connection」で接続に成功することを確認して、次へ行きます。

3.8 「Database query」として、SELECT [Adjusted] FROM [dbo].[9790] と入力し、ウィザードを完了します。

3.9 「Import Data」の動作を確認してみましょう。

下のバーの「RUN」をクリックします。

3.10 「RUN」が完了したら、「Import Data」を右クリックし、「Results dataset」から「Visualize」をクリックします。

3.11 SQL データベースからインポートされたデータを見ることができます。

3.12 このままのデータではマシーンラーニング (機械学習) に使うのに適さないため、プログラミング言語 Python を使って、データを加工することにします。

左のツール パレットの「Python Language Modules」から「Execute Python Script」を**の作図領域にドラッグ アンド ドロップします。

3.13 プロパティの「Python script」には、本レポジトリーの中の「AzureMachineLearningScript.1.py」の中のテキストをコピーしてください。

3.14 「Import Data」の下部の小円から「Execute Python Script」の上部の一番左の小円までをドラッグ アンド ドロップして、「Import Data」の出力を「Execute Python Script」の入力とします。

3.15 「Import Data」のときと同様、「RUN」してから「Execute Python Script」を右クリックして、「Result dataset」から「Visualize」を選んでみましょう。

3.16 Python で加工後のデータを見ることができます。

この Python では、単純な株価1列だけのデータを、各行が、14日分の株価の上昇率のデータと翌日株価が実際に上昇したかどうかの教師データという、15列からなるデータに加工しています。

3.17 次にこのデータを学習用データと評価用データに分割します。

ツール パレットの「Data Transformation」の中の「Sample and Split」から「Split Data」を、作図領域にドラッグ アンド ドロップします。 「Execute Python Script」の出力を「Split Data」の入力とします。 「Split Data」のプロパティの「Fraction of rows in the first output dataset」の値を 0.8 にします。 これにより、データは分割され、80%が1番から 20%が2番から出力されます。

3.18 いよいよマシーン ラーニング (機械学習) を行う「Train Model」を追加します。

ツール パレットの「Machine Learning」の中の「Train」から「Train Modal」を、作図領域にドラッグ アンド ドロップします。

3.19 次に、ツール パレットの「Machine Learning」の中の「Initialize Model」の「Classification」から「Two Class Support Vector Machine」を、作図領域にドラッグ アンド ドロップします。

サポート ベクター マシン は、は、教師あり学習を用いたパターン認識方法で、今回は株価が上がるか否かの分類に用います。

3.21 「Two Class Support Vector Machine」の出力を「Train Model」の1つ目の入力とし、「Split Data」の1つ目の出力を「Train Model」の2つ目の入力とします。

また、「Train Model」のプロパティから「Launch column selector」をクリックします。

3.22 データの中から、教師データとする列を選びます。

「WITH RULES」 - 「Include」「column names」を選び、列名として Answer と入力します。

3.23 次に、マシーン ラーニング (機械学習) の結果を、評価用データを使って評価してみます。

ツール パレットの「Machine Learning」の中の「Score」から「Score Model」を、作図領域にドラッグ アンド ドロップします。 「Train Model」の出力を「Score Model」の1つ目の入力、「Split Data」の2つ目の出力 (評価用データ) を「Score Model」の1つ目の入力とします。

3.24 ツール パレットの「Machine Learning」の中の「Evaluate」から「Evaluate Model」を、作図領域にドラッグ アンド ドロップします。

「Score Model」の出力を「Evaluate Model」入力とします。

3.25 「RUN」します。

上から順番に動作していき、成功すると緑のチェックが付きます。 全部が完了するまで、待ちましょう。

3.26 「RUN」が完了したら、結果を確認してみましょう。

「Evaluate Model」を右クリックし、「Evaluation results」から「Visualize」をクリックします。

3.27 「Accuracy」が 0.571 などと表示されているのが分かります。57% の精度で予測できたようです。

---

4. Microsoft Azure Machine Learning Studio でマシーンラーニング (機械学習) したモデルから API を作成

4.1 学習済みのモデルから、API を作ってみましょう。

画面下部の「Predictice Web Service」をクリックします。

4.2 「Predictice Experiment」というタブが作られます。

画面下部の「RUN」をクリックしてみましょう。 すべての実行が終わるまで待ちましょう。

4.3 すべての実行が完了したら、画面下部の「DEPLOY WEB SERVICE」をクリックしてみます。

4.4 学習済みモデルを利用した API が作られます。

API を呼び出すための「API key」が表示されます。 また、画面左下の「API HELP PAGE」 - 「REQUEST/RESPONSE」をクリックすると、作られた API の使い方を見ることができます。

4.5 API の使い方が表示されます。

例えば、呼び出すときに入力として渡す JSON の例が示されています。 ただし、この API の入力には15日分の株価を必要としますので、Values は、大きさ15の配列にする必要があります。

また、同じページの下部の方には、C#、Python、R のサンプル コードが示されています。

---

5. C# から API を呼んでみるテスト

上述の API の使い方のページに示された C# のサンプル コードをベースに、作成したものが、本レポジトリーの中の PredictStockPrice.Console/Program.cs です。

このコード中の、

const string apiKey = "your api key"; // Replace this with the API key for the web service

の apiKey の値は、ご自身の API の使い方のページに示された「API key」を入力します。

また、

client.BaseAddress = new Uri("your api URI"); // Replace this with the URI for the web service

には、ご自身の API の使い方のページの「API HELP PAGE」 - 「REQUEST/RESPONSE」をクリックして表示されたページの中の C# のサンプル コード中の、

client.BaseAddress = new Uri("XXX");

の行をコピーしてお使いください。

---

関連資料:

• CSharpNeuralNetworkSample-AI-decode: neural network sample in C# for Microsoft de:code 2018 AI sessions (C# で機械学習の原理であるニューラルネットワークをフルスクラッチで書いてみるサンプルコードと説明)

---