第1章：k近傍法 | 推薦システム研究室（RecSysLab）

公開日：2019-08-15
最終更新日：2019-08-26

skl01-0：準備

Bobはこれまでにカレーを150食試してきた．次のデータ`curry.csv`はBobのカレーに対する評価履歴データである．以下のデータを`data`ディレクトリに配置したうえで，次のコードを実行しよう．

curry.csv：カレーに対する評価履歴データ（データIDid，辛さspicy {0-100}，とろみthickness {0-100}，評価値rating {0=嫌い, 1=どちらでもない, 2=好き}）

>>> import numpy as np

>>> import pandas as pd

>>>

>>> # データの読込み

>>> curry = pd.read_csv('data/curry.csv', index_col=0)

>>>

>>> feature_names = np.array(curry.columns[:-1])

>>> target_names = ['dislike', 'neutral', 'like']

>>>

>>> curry_X = np.array(curry[feature_names])

>>> curry_y = np.array(curry['rating'])

>>>

>>> # 全データをランダムに学習データ80%とテストデータ20%に分割

>>> n = len(curry_X)

>>> m = int(n * 0.2)

>>> np.random.seed(0)

>>> indices = np.random.permutation(n)

>>> curry_X_train = curry_X[indices[:-m]]

>>> curry_y_train = curry_y[indices[:-m]]

>>> curry_X_test = curry_X[indices[-m:]]

>>> curry_y_test = curry_y[indices[-m:]]

skl01-1：KNeighborsClassifierのインポート

`KNeighborsClassifier`をインポートしよう．

難易度：★

ミッション	説明
1	`KNeighborsClassifier`をインポートする．

skl01-2：KNeighborsClassifierオブジェクトの生成

`KNeighborsClassifier`オブジェクトを生成しよう．

難易度：★

ミッション	説明
1	`KNeighborsClassifier()`コンストラクタを呼び出す．
2	生成した`KNeighborsClassifier`オブジェクトを`knn`とする．

skl01-3：学習

学習データを基に`knn`により学習しよう．

難易度：★★

ミッション	説明
1	`KNeighborsClassifier.fit()`メソッドを使う．

skl01-4：予測

`knn`によりテストデータに対してラベルを予測しよう．

難易度：★★

ミッション	説明
1	`KNeighborsClassifier.predict()`メソッドを使う．

skl01-5：予測精度の取得

`knn`のテストデータに対する予測精度を取得しよう．

難易度：★

ミッション	説明
1	`KNeighborsClassifier.score()`メソッドを使う．

skl01-6：学習モデルの可視化

次のコードは`knn`による学習モデルを可視化するものである．次のコードを`skl01_plt01.py`というファイル名で保存し，`python3`コマンドで実行しよう．

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from matplotlib.colors import ListedColormap

from sklearn.neighbors import KNeighborsClassifier

# data

curry = pd.read_csv('data/curry.csv', index_col=0)

feature_names = np.array(curry.columns[:-1])

target_names = ['dislike', 'neutral', 'like']

curry_X = np.array(curry[feature_names])

curry_y = np.array(curry['rating'])

# train

knn = KNeighborsClassifier()

knn.fit(curry_X, curry_y)

# plot

cmap_light = ListedColormap(['#CCCCFF', '#CCFFCC', '#FFCCCC'])

cmap_dark = ListedColormap(['#8888FF', '#88FF88', '#FF8888'])

x_min = 0

x_max = 100

y_min = 0

y_max = 100

xx, yy = np.mgrid[x_min:x_max:200j, y_min:y_max:200j]

Z = knn.predict(np.c_[xx.ravel(), yy.ravel()])

Z = Z.reshape(xx.shape)

plt.pcolormesh(xx, yy, Z, cmap=cmap_light)

plt.scatter(curry_X[:, 0], curry_X[:, 1], c=curry_y, cmap=cmap_dark, edgecolors='k')

plt.title("curry")

plt.xlabel('spicy')

plt.ylabel('thickness')

plt.xlim(xx.min(), xx.max())

plt.ylim(yy.min(), yy.max())

plt.show()

難易度：★

ミッション	説明
1	`python3`コマンドで`skl01_plt01.py`を実行する．

skl01-7：散布図行列の可視化

次のコードはデータの散布図行列を可視化するものである．次のコードを`skl01_plt02.py`というファイル名で保存し，`python3`コマンドで実行しよう．

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

# data

curry = pd.read_csv('data/curry.csv', index_col=0)

# plot

sns.pairplot(curry)

plt.show()

難易度：★

ミッション	説明
1	`python3`コマンドで`skl01_plt02.py`を実行する．

Bobはこれまでにカレーを150食試してきた．次のデータcurry.csvはBobのカレーに対する評価履歴データである．以下のデータをdataディレクトリに配置したうえで，次のコードを実行しよう．

KNeighborsClassifierをインポートしよう．

KNeighborsClassifierオブジェクトを生成しよう．

学習データを基にknnにより学習しよう．

knnによりテストデータに対してラベルを予測しよう．

knnのテストデータに対する予測精度を取得しよう．

次のコードはknnによる学習モデルを可視化するものである．次のコードをskl01_plt01.pyというファイル名で保存し，python3コマンドで実行しよう．

次のコードはデータの散布図行列を可視化するものである．次のコードをskl01_plt02.pyというファイル名で保存し，python3コマンドで実行しよう．

Bobはこれまでにカレーを150食試してきた．次のデータ`curry.csv`はBobのカレーに対する評価履歴データである．以下のデータを`data`ディレクトリに配置したうえで，次のコードを実行しよう．

`KNeighborsClassifier`をインポートしよう．

`KNeighborsClassifier`オブジェクトを生成しよう．

学習データを基に`knn`により学習しよう．

`knn`によりテストデータに対してラベルを予測しよう．

`knn`のテストデータに対する予測精度を取得しよう．

次のコードは`knn`による学習モデルを可視化するものである．次のコードを`skl01_plt01.py`というファイル名で保存し，`python3`コマンドで実行しよう．

次のコードはデータの散布図行列を可視化するものである．次のコードを`skl01_plt02.py`というファイル名で保存し，`python3`コマンドで実行しよう．