Gurobi Machine Learning 2 機械学習と数理最適化の統合

Transcript

1. 0 Gurobi Machine Learning 2 機械学習と数理最適化の統合 2023-10-06 第63回NearMe技術勉強会 @yujiosaka
2. 1 前回のおさらい
3. 2 対象を４章限に分類
4. 3 変数Zを導入して、教師として学習 Pythonコード例 1モデル // 学習データ df = pd.DataFrame({ 'y': [1, 0, 1, 0], //合格したか？（response） 't': [1, 1, 0, 0], // 勉強したか？（treatment） 'x1': [0.2, 0.8, 0.3, 0.4], 'x2': [0.4, 0.4, 0.2, 0.2] }) x = df[['x1', 'x2']] z = 1 - (df['y'] ^ train['t']) // z = [1, 0, 0, 1] model.fit(x, z) // どんな分類器でも可
5. 4 介入の回数や予算に制約がある場合に効果を最大化させたい 例： 試験に合格したn人の学生に対して、奨学金を配ることで入学する学生数を最大化させたい。 ただし、奨学金には予算上限があり、1人あたり250万円以内、n*0.2人までにしか配れない。 過去の実績から、配った奨学金とその他の変数（家族の収入、家族構成、成績）から1人1人の学生の入 学率が予測できる時、どの学生に対して奨学金をどれだけ配るべきか？ アップリフトモデリングが答えてくれない問題 数理最適化と機械学習の統合が必要 → Gurobi Machine Learning
6. 5 5 https://github.com/yujiosaka/causal-inference-demo-with-gurobi-machine-learning
7. 6 既知のデータを学習することで、未知のデータについて予測する 通常高速 回帰 • スパムフィルタ • 画像認識 予測 • 株価予測 • 不動産価格予測 与えられた制約内で厳密な解を求めるのは苦手 機械学習の得意分野 制約を破ると罰則を与える等のアプローチがあるが、厳密な解は通常得られない（アート）
8. 7 与えられた制約の中で、厳密な最適解を見つける 通常時間がかかる • セールスマン巡回問題 • 配送計画問題 • ナップサック問題 • スケジューリング問題 リソース（時間、お金）に限りがある場合に用いられる 数理最適化の得意分野 意思決定に有効
9. 8 よく使われる例 雨が降りそうだ（機械学習） 誰に傘を配ろうか？（数理最適化）
10. 9 試験に合格したn人の学生に対して、奨学金を配ることで入学する学生数を最大化させたい。 ただし、奨学金には予算上限があり、1人あたり250万円以内、 かつ合計n*20万円までを予算上限としたい。 過去の実績から、配った奨学金とその他の変数（家族の収入、家族構成、成績）から1人1人の学生の入 学率が予測できる時、どの学生に対して奨学金をどれだけ配るべきか？ 奨学金を配ると、その学生の入学はどれぐらい高くなるのか？ どの学生に奨学金を配るべきか？ 問題 （機械学習） （数理最適化）
11. 10 統合のアプローチ
12. 11 • 機械学習で前処理（クラスタリング等）してから数理最適化を行う • 機械学習で予測モデルを用意してから、その予測モデルを数理最適化に当てはめる ◦ 予測モデルを数式に近似する ◦ 予測モデルを数理最適化の変数として埋め込む 機械学習 → 数理最適化 Gurobi Machine Learning 費用制約のもとでのクーポン配信による売上最大化
13. 12 • 過去の数理最適化の結果（変数と解）を学習させて、新しい問題を高速に解く ◦ 新しい問題に対して、数理最適化を介さずに機械学習の結果を返す ◦ 機械学習が解のヒントや制約を返し、数理最適化を高速化する 数理最適化 → 機械学習 MIPLearn
14. 13 • 機械学習を使って数理最適化のパラメータを学習し、より良い組み合わせを選択 機械学習 ⊃ 数理最適化 数理最適化 ⊃ 機械学習 • 数理最適化を使って機械学習の特徴選択をサポートする • 数理最適化を使って決定木を最適化（できるらしい） ◦ 参考：https://www.youtube.com/watch?v=l1b3qEO8_Z
15. 14 • 機械学習 → 数理最適化 • 数理最適化 → 機械学習 • 機械学習 ⊃ 数理最適化 • 数理最適化 ⊃ 機械学習 • 上記4つの組み合わせ 5つのアプローチ ← Gurobi Machine Learning
16. 15 • 予測モデルを数理最適化の変数に組み込む • 機械学習の結果を数理最適化の変数に組み込むだけで良いのでは？ Gurobi Machine Learning のユースケース 天候や過去の傾向から需要や配送時間を計算してからVPRを解く 都市をクラスタリングしてからネットワーク最適化を行う https://www.logopt.com/2020/10/19/%E3%82%B1%E3%83%BC%E3%82%B9%E3%82%B9%E3%82%BF%E3%83%87%E3%82%A3-%EF%BC%9
17. 16 • MNIST手書きデータセットに対する「最適な」敵対的サンプル生成 • 非線形関数をReLuを使ったニューラルネットワークによって近似する • 奨学金による入学する学生数の最大化 • 価格調整による収益の最大化 Gurobi Machine Learning のサンプル集 https://gurobi-machinelearning.readthedocs.io/en/stable/mlm-examples/2DPeakFunction.html https://gurobi-machinelearning.readthedocs.io/en/stable/mlm-examples/adversarial_mnist.html https://gurobi-machinelearning.readthedocs.io/en/stable/mlm-examples/student_admission.html https://gurobi-machinelearning.readthedocs.io/en/stable/mlm-examples/price_optimization.html 因果推論とアップリフトモデリングに近い分野
18. 17 • 奨学金による入学する学生数の最大化 ◦ 奨学金を配ることで、学生の入学率はどのように変化するだろうか？ ◦ 奨学金をどのように配ることで、学生の入学数を最大化できるだろうか？ • 価格調整による収益の最大化 ◦ 価格を調整することで、収益はどのように変化するだろうか？ ◦ 価格をどのように調整することで、収益を最大化できるだろうか？ 機械学習と数理最適化の統合 （機械学習） （数理最適化） （機械学習） （数理最適化） 価格調整による推定収益をGurobi Machine Learningの変数に組み込む 奨学金による学生の推定入学率をGurobi Machine Learningの変数に組み込む
19. 18 import pandas as pd from sklearn.linear_model import LogisticRegression import gurobipy as gp from gurobi_ml import add_predictor_constr import gurobipy_pandas as gppd historical_data = pd.read_csv(...) studentsdata = pd.read_csv(...) regression = LogisticRegression() regression.fit(X=historical_data.loc[:, [“merit”, “SAT”, “GPA”]], y=historical_data.loc[:, ”enroll”]) Gurobi Machine Learningの使い方（奨学金による入学数最大化） 1. 機械学習モデルを用意する
20. 19 m = gp.Model() # 入学率を変数 “y” とする y = gppd.add_vars(m, studentsdata, name='enroll_probability') # 1人あたりの奨学金の上限（250万円）を制約に加える studentsdata = studentsdata.gppd.add_vars(m, lb=0.0, ub=2.5, name='merit') # 配る奨学金の金額を変数 “x” とする x = studentsdata.loc[:, "merit"] Gurobi Machine Learningの使い方 2. 普通の定式化を行う
21. 20 # 目的関数を定式化する m.setObjective(y.sum(), gp.GRB.MAXIMIZE) # 予算制約を定式化する m.addConstr(x.sum() <= 0.2 * nstudents) # 機械学習モデルを制約に加える pred_constr = add_predictor_constr(m, regression, studentsdata, y, output_type="probability_1") # 最適化を実行する m.optimize() # 結果を出力する pred_constr.input_values Gurobi Machine Learningの使い方 3. 機械学習のモデルを制約に加える
22. 21 Gurobi Machine Learningの使い方
23. 22 モデルを数式に直接置換、または区分線形関数で近似 Gurobi Machine Learning の仕組み ロジスティック回帰 ReLU
24. 23 サポートしているモデルや変換器が限定されている • モデル（scikit-learn, Keras, PyTorch） ◦ 線型回帰 ◦ ロジスティック回帰（唯一の二分類器） ◦ ニューラルネット（ReLu全結合のみ） ◦ 決定木・ランダムフォレスト ◦ 勾配ブースティング • 変換器 ◦ StandardScaler ◦ PolynomialFeatures ◦ ColumnTransformer サポートしていないモデルを使用しようとするとエラーになる Gurobi Machine Learning の制約
25. 24 デモ https://github.com/yujiosaka/causal-inference-demo-with-gurobi-machine-learning/blob/main/lab/1.%20Causal%20inference%20demo%20wit h%20Gurobi%20Machine%20Learning.ipynb
26. 25 Thank you