まず、数値分類のトレーニングと予測に必要なデータを準備します。データは、カンマ区切りのCSVファイル（BOMなし・UTF-8）で用意します。

あやめの情報をまとめたCSVファイルは、カルフォルニア大学アーバイン校のサイトopen_in_newからダウンロードできます。ダウンロードサイトopen_in_newのbezdekIris.dataファイルが最新のものなので、今回はこのデータを利用します。

ダウンロードサイトからbezdekIris.dataをマウスの右ボタンクリックで、ファイルをダウンロードします。ファイル名は、拡張子を.csvに変更し、bezdekIris.csvとします。

ダウンロードしたファイルをExcelで開きます。

ダウンロードしたファイルは、左から順に以下の項目で構成されています。

• あやめのがく片の長さ（単位：cm）
• あやめのがく片の幅（単位：cm）
• あやめの花びらの長さ（単位：cm）
• あやめの花びらの幅（単位：cm）
• あやめの花の種類（Iris-versicolor・Iris-setosa・Iris-virginica）

このファイルを加工して、トレーニング用データと予測（検証）用データに分割します。

トレーニングでは、あやめのがく片と花びらの情報（長さ・幅）とあやめの種類の間にどのような因果関係があるのかを学習させます。

ここでは、因果関係の原因となる項目（がく片の長さ・がく片の幅・花びらの長さ・花びらの幅）のことを「因子」と呼び、因果関係の結果となる項目（あやめの種類）のことを「結果となる値」と呼びます。

トレーニング用データは、下図のように「因子」→「結果となる値」の順に並べて、ひとまとまりのデータとします（ダウンロードしたデータの形式そのまま）。

info_outlineデータの見出しは、図のように英数字およびアンダースコア（_）で構成します（日本語は不可）。ただし、実際に準備するデータには、見出しは含めません。この見出しは、モデルジェネレーターでトレーニング情報を設定するときに必要にです。

予測では、モデルを使って未学習の因子から結果となる値を予測します。

予測用データでは、「キー項目」と「因子」を使用します。キー項目は、ひとまとまりの予測用データ（1行分のデータ）を特定するための値です。キー項目は、予測用データ全体でユニークな値でなければなりません。今回は、ユニークな番号をキー項目として用います。

予測用データは、下図のように「キー項目」と「因子」をひとまとまりのデータとします。

info_outlineデータの見出しは、図のように英数字およびアンダースコア（_）で構成します（日本語は不可）。また、キー項目の見出しは、keyでなければなりません。

それでは、実際にExcelで加工していきます。

まず、先頭列にkey列を追加し、1から150までの連続した数値で埋めます。

最終列に、データをランダムに並び替えるための乱数列を追加し、乱数でデータを埋めます。

1. G1セルに、=RAND()と入力
2. G1セル右下隅をダブルクリック

先頭行に見出しを追加します。

1. 先頭に行を挿入し、以下の見出しを左から順に入力
   1. key
   2. sepal_length
   3. sepal_width
   4. petal_length
   5. petal_width
   6. class
   7. RAND

RAND列をキーに昇順（最小から最大）で並び替えます。

1. ［並び替えとフィルター］をクリック
2. ［ユーザー設定の並び替え］をクリック

1. ［RAND］を選択
2. ［セルの値］を選択
3. ［小さい順］を選択
4. ［OK］ボタンをクリック

トレーニング用データと予測（検証）用データのシートを追加します。

Sheet1をトレーニング用、Sheet2を予測用に使います。

データは、8：2でトレーニング用と予測用に分けます。このデータは150件あるため、トレーニング用に120件、予測用に30件とします。

1. bezdekIrisシートのA1セルからE31セルの範囲をコピー
2. Sheet2のA1セルへ貼り付け

1. bezdekIrisシートのB32セルからF151セルの範囲をコピー
2. Sheet1のA1セルへ貼り付け

これで、トレーニング用データと予測（検証）用データの準備ができました。これらをCSVファイルへ出力します。

まず、トレーニング用データを出力します。Sheet1で、F12キーを押します。

1. iris-train.csvに変更
2. ［保存］ボタンをクリック

1. ［OK］ボタンをクリック

次に、予測（検証）用データを出力します。Sheet2で、F12キーを押します。

1. iris-test.csvに変更
2. ［保存］ボタンをクリック

1. ［OK］ボタンをクリック

このExcelブックは、名前を付けて保存で、Excelブック形式で保存してください。保存時の名前は自由に決めて構いません（例：iris.xlsx）。

最後に、iris-train.csvとiris-test.csvのファイルをGoogle Cloud Storage（GCS）へアップロードします。これは、BLOCKSの機械学習が、トレーニング用データ・予測用データのCSVファイルをGCSから読み取る仕様となっているためです。

ファイルをGCSへアップロードするには、BLOCKSのサポートツールGCS Explorerを使用します。

ウェブブラウザーで、BLOCKSにログインopen_in_newします。

1. グローバルナビゲーション左端のmenuをクリック
2. ［GCS Explorer］をクリック

1. 適切なGCPサービスアカウントをクリック
   既に適切なGCPサービスアカウントが選択されている場合はそのまま

info_outline既にGCPサービスアカウント選択済みでこの画面を表示したい場合は、❷のアイコンをクリックします。

1. 末尾が-us-central1-dataのバケット名をクリック
   既に適切なバケットが選択されている場合はそのまま

info_outline既に他のバケットもしくはフォルダーを選択している場合で、この画面を表示したい場合は、❷の［バケット一覧］をクリックします。

1. フォルダーに歯車の絵柄のボタンをクリック
2. ［ファイルアップロード］をクリック

1. iris-train.csvとiris-test.csvを選択
2. ［開く］ボタンをクリック

これでCSVファイルの準備ができました。

続いて、準備したトレーニング用データを使って、モデルジェネレーターで学習（トレーニング）を行います。

まず、モデルジェネレーターを準備します。

1. グローバルナビゲーション左端のmenuをクリック
2. ［モデルジェネレーター］をクリック

モデルジェネレーターがひとつもない場合は、「モデルジェネレーターとは」の画面が表示されます。

この画面が表示された場合は、［利用開始］ボタン（❶）をクリックします。

モデルジェネレーターがひとつ以上ある場合は、作成済みのモデルジェネレーターの一覧が表示されます。

この画面が表示された場合は、［追加］ボタン（❶）をクリックします。

1. ［数値分類タイプ］をクリック
2. ［次へ］ボタンをクリック

1. 名前を入力（例：あやめの分類）
2. ［次へ］ボタンをクリック

この画面で、トレーニング用データの形式を設定します。

［項目を追加する］ボタン（❶）を4回クリックして、結果となる値を除く項目名を入力します。

入力する項目名は、以下のとおりです。型と型別指定は、そのままとします。

1. sepal_length
2. sepal_width
3. petal_length
4. petal_width

1. Iris-versicolor,Iris-setosa,Iris-virginicaと入力
2. ［追加］ボタンをクリック

1. ［次へ］ボタンをクリック

1. ［完了］ボタンをクリック

1. ［OK］ボタンをクリック

これで、トレーニングの準備ができました。早速、トレーニングしていきます。

1. ［トレーニング開始］ボタンをクリック

1. トレーニング名を入力（例：1回目のトレーニング）
2. folderをクリック

1. -dataで終わるバケット名のarrow_drop_downをクリック
2. iris-train.csvをクリック
3. ［選択］ボタンをクリック

1. ［開始］ボタンをクリック

info_outlineトレーニングに必要な設定は他にもいくつかありますが、今回は標準値のまま進めます。トレーニングに必要な設定項目について詳しくは、モデルジェネレーターヘルプの「トレーニング開始」を参照してください。

トレーニングが始まり、トレーニングの状況が画面内で確認できます。

トレーニングの所要時間は、4時間ほどです（時間はサーバー側の状況により前後）。しばらくお待ちください。

トレーニングが成功で終わると、トレーニング一覧の当該トレーニングのステータスが成功に変わります。

このトレーニングのモデルを予測で使用するためには、このトレーニングのモデルを予測で使用することを明示する必要があります。モデルジェネレーターでは、この行為を適用と呼びます。

1. arrow_drop_downをクリック
2. 適用対象から［本番用］をクリック
3. ［適用］ボタンをクリック

info_outline適用対象について詳しくは、モデルジェネレーターヘルプの「トレーニングを一覧する」のアクションの項を参照してください。

もし、トレーニングが失敗する場合は、再度トレーニングしてみてください。トレーニング失敗の理由の確認方法については、「操作中にエラーとなったら」を参考にしてください。

フローデザイナーを準備しよう

予測は、フローデザイナーで行います。フローデザイナーのフローテンプレート作成機能を活用すると、簡単に予測ができます。このチュートリアルでは、このフローテンプレートを使った方法を解説します。

1. グローバルナビゲーション左端のmenuをクリック
2. ［フローデザイナー］をクリック

1. ［利用開始］ボタンをクリック

info_outline既にフローデザイナーを作成している場合は、フローデザイナーの一覧画面が表示されます。その場合は、既存のフローデザイナーの名前をクリックして、以降の作業を進めてください。もし無料トライアル以外をお使いで、新たにフローデザイナーを作成できるライセンス枠がある場合は、フローデザイナー一覧画面の左上にある［追加］ボタンをクリックしてください。

1. フローデザイナーの名前を入力（例：チュートリアル）
2. ［作成］ボタンをクリック

1. ［チュートリアルopen_in_new］をクリック

予測フローを作成しよう

新しいタブでフローデザイナーが開きます。引き続き、フローテンプレート作成機能を使って、数値分類で予測するフローを作成します。

1. ［＋］ボタンをクリック

1. ［数値分類予測］をクリック
2. ［次へ］ボタンをクリック

1. あやめの分類と入力
2. ［次へ］ボタンをクリック

1. ［あやめの分類（数値分類タイプ）］をクリック
2. ［オンライン予測］をクリック
3. ［次へ］ボタンをクリック

1. ［Google Cloud Storage（GCS）］をクリック
2. folderをクリック

1. arrow_drop_downをクリック
2. iris-test.csvをクリック
3. ［選択］ボタンをクリック

1. ［次へ］ボタンをクリック

1. ［Google Cloud Storage（GCS）］をクリック
2. 表示されているURLに続けてiris-results.csvを追加入力
3. ［次へ］ボタンをクリック

この設定で予測結果は、GCS上のiris-results.csvファイルに出力されます。

1. ［配置］ボタンをクリック

作成されたフローが下図の赤枠部分に配置されます。

1. ［保存］ボタンをクリック

予測フローを実行して予測をしよう

これで、予測の準備ができました。早速、予測を試してみます。

1. フロー先頭の［あやめの分類］ブロック右端のmore_vertをクリック
2. ［フローの実行］をクリック

予測の実行状況を確認するために、フローの実行ログを確認します。

1. ［ログを見る］をクリック

画面下部に、ログパネルが表示されます。ログパネル左側のログリストのステータスでフローの実行状況が確認できます。フローの実行中は、［実行中］（❶）の表示になります。実行が終わるまで、しばらく待ちます。

フローの実行が正常に終了すると、ログリストのステータスが［成功］（❶）に変わります。これで予測は完了です。

予測結果は、GCS上にCSVファイルとして出力されています。CSVファイルをダウンロードして、Excelで内容を確認します。

別タブにあるBLOCKSの画面（フローデザイナーの一覧画面）に切り替えます。

1. グローバルナビゲーション左端のmenuをクリック
2. ［GCS Explorer］をクリック

1. iris-results.csvファイル先頭のチェックボックスにチェックを入れる
2. ［ファイルダウンロード］ボタンをクリック

1. iris-results.csvopen_in_newをクリック

1. ［保存］ボタンをクリック

1. ［閉じる］ボタンをクリック

これで、予測結果のCSVファイルがダウンロードできました。早速、Excelで開いて確認してみます。

各列の意味は、以下のとおりです。

列	意味
key	予測用データのキー項目です。
label	キー毎の予測用データに対応する予測結果（あやめの分類）です。
score	label（予測結果）の確からしさです。
score_Irisversicolor score_Irissetosa score_Irisvirginica	各分類ごとの確からしさです。

予測結果を確認したところで、予測値と答えを比較してみます。

答えは、保存したExcelブックファイルの中にあります。このExcelブックの中にある答えを取り込みます。

1. 3列目に列を挿入し、classという見出しを入力
2. C2セルに=VLOOKUP($A2,[iris.xlsx]bezdekIris!$A:$F,6,FALSE)と入力
   iris.xlsxの部分は、保存したExcelブックのファイル名に置き換えてください。
3. C2セル右下隅をダブルクリック

これで予測結果と実際の値を比較する表が表示されました。正誤を確認してみると、この例では30件中28件が正解していました。精度は約93%という結果でした。

info_outline数値分類の評価について詳しくは、弊社ブログ記事「精度の評価と評価指標について（分類編）open_in_new」を参考にしてください。