よくある質問

混同行列の読み方は？

混同行列 は、学習済み分類器の性能を評価するために使用されます。

行列の構成

• 行 → 予測クラス（モデルが予測したクラス）
• 列 → 実際のクラス（データの正解ラベル）

主要要素

• 対角セル（青色）
  正しい予測
  • 真陽性（True Positive） – 正しく陽性と予測
  • 真陰性（True Negative） – 正しく陰性と予測
• 非対角セル（白色）
  誤った予測
  • 偽陽性（False Positive） および 偽陰性（False Negative）
  • 多クラスモデルでは、これらのセルはクラス間の混同を示します

周辺情報

• 最下行 → 各クラスの 精度（緑） と エラー率（赤）
• 右下隅 → 全体の モデル精度 と エラー率

軸ラベルの対応

• X 軸の数値は Y 軸のクラスラベルに直接対応します
  例：Y 軸に fan-balance (1) が表示されている場合、X 軸の 1 も同じクラスを示します。

データ表示

• 各数値はヒストグラム内の対応するデータセグメントに対応します。

良い混同行列とは何ですか？

良い 混同行列 は通常、次の特徴を示します：

• 非対角（白色）セル の値が非常に小さい
• 対角線 上の値が大きく、正しい予測が多いことを示す

NOTE

混同行列は精度だけでなく、モデルがどこで誤っているかも示すため、モデル改善に非常に有用なツールです。

複雑度数値はどのように解釈すればよいですか？

複雑度数値は、モデルを MCU / MPU に展開した際の リソース使用量 を示します。

• これらの値は 最終値ではありません
• モデルは多くの場合 さらに最適化 できます

例 決定重要度プロットで最も重要な周波数帯が 50 Hz 未満 である場合：

• < 50 Hz の周波数のみを使用するフィルターを適用
• 特徴量計算を削減
• 乗算処理とメモリ使用量を削減

NOTE

プロジェクト作成時に対象プロセッサを選択している場合、上位モデルはすでにそのプロセッサのリソース制限内に収まっています。

One-vs-One 分類戦略とは何ですか？

One-vs-One は、多クラス分類 で一般的に使用される戦略です。

仕組み

• 各クラスのペア ごとに 1 つの二値分類器を学習
• N クラスの場合 → N(N−1)/2 個の分類器が必要

例 クラス A、B、C の場合、モデルは次を学習します：

• A vs B
• A vs C
• B vs C

予測フェーズ

• すべての分類器が並列に実行される
• 投票または集約メカニズム により最終クラスを決定

利点

• 複雑な多クラス問題を単純化
• 精度と解釈性の向上につながる場合が多い

ニューラルネットワークモデルの圧縮はどのように機能しますか？

ニューラルネットワークモデルは、実際に必要なサイズよりも大きく、複雑であることが多くあります。実際のデータで学習する前に、必要なモデルサイズやアーキテクチャを正確に判断することは困難です。

モデル圧縮は、ネットワーク内の冗長または使用率の低い重みを特定して削除することで、この問題に対応します。当社独自の数学的手法を用いてこれらの冗長性を検出し、ネットワークを再構成して、よりシンプルで小さく、かつ高速なモデルにします。

このプロセス全体を通じて、重要な情報が失われないよう、圧縮率と精度のバランスを慎重に調整します。