AI（人工知能）で食べられるキノコを判定。【2021年3月1日よりリリースします。!!】

KDS
新たにハードウェアを購入しなくても既存のＰＣでも動作可能です。　●食べても大丈夫なキノコかを判断します。※本システムでの判断はあくまで目安であり、実際に食べて良いかの判断は専門家に問い合わせ下さい。

弊社ではＡＩを活用したシステム開発を行っております。 AI（人工知能）で、食べても大丈夫なキノコかを判断します。


キノコの傘の形状、表面、色やひだの色、胞子紋の色、匂いを選択肢より選んで頂くことにより、食べても大丈夫なキノコを判断致します。
※本システムでの判断はあくまで目安ですので、実際に食べて良いかの判断は専門家に問い合わせ下さい。



弊社では、様々なご要望にお応えするように色々な観点から機械学習（ディープラーニング）を行い、
ＡＩを活用したシステム開発を行っております。


ディープラーニングとは、
音声の認識、画像の特定、予測など人間が行うようなタスクを実行できるようにコンピューターに学習させる手法です。ディープラーニングでは、人間がデータを編成して定義済みの数式にかけるのではなく、人間はデータに関する基本的なパラメータ設定のみを行い、その後は何層もの処理を用いたパターン認識を通じてコンピューター自体に課題の解決方法を学習させます。

今回採用したアルゴリズムとしては、ランダムフォレストを採用した。

ランダムフォレストとは、
アンサンブル学習のバギングをベースに、少しずつ異なる決定木をたくさん集めたものです。
決定木単体では過学習しやすいという欠点があり、ランダムフォレストはこの問題に対応する方法の1つです。
バギングでも触れましたが元のデータからランダムに何グループかサンプリングしているため、各決定木はそれぞれのデータを過学習している状態で構築されます。
それぞれ異なった方向に過学習している決定木をたくさん作れば、その結果の平均を取ることで過学習の度合いを減らすことができる、という考え方です。
の考え方を図示してみます。



STEP1：元データからランダムにデータをブートストラップでサンプリングし、Nグループ分データグループを作ります
STEP2：Nグループそれぞれで決定木モデルを作成します。
STEP3：Nグループそれぞれの決定木モデルで予測を一旦行います。
STEP4：Nグループの多数決（回帰は平均）を取り、最終予測を行います。




実行例【1】



実行例【２】








https://www.digitalsoft.co.jp