公開日:2019-08-15
最終更新日:2019-08-26
最終更新日:2019-08-26
skl04-0:準備
Aliceはこれまでにコーヒーを120杯試してきた.次のデータcoffee.csv
はAliceのコーヒ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.
coffee.csv
:コーヒーに対する評価履歴データ(データIDid
,酸味sourness {0-100}
,苦味bitterness {0-100}
,評価値rating {0=嫌い, 1=好き}
)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 |
>>> import numpy as np >>> import pandas as pd >>> >>> # データの読込み >>> coffee = pd.read_csv('data/coffee.csv', index_col=0) >>> >>> feature_names = np.array(coffee.columns[:-1]) >>> target_names = ['dislike', 'like'] >>> >>> coffee_X = np.array(coffee[feature_names]) >>> coffee_y = np.array(coffee['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(coffee_X) >>> m = int(n * 0.2) >>> np.random.seed(0) >>> indices = np.random.permutation(n) >>> coffee_X_train = coffee_X[indices[:-m]] >>> coffee_y_train = coffee_y[indices[:-m]] >>> coffee_X_test = coffee_X[indices[-m:]] >>> coffee_y_test = coffee_y[indices[-m:]] |
skl04-1:
SVC
のインポートSVC
をインポートしよう.
難易度:★
ミッション | 説明 |
---|---|
1 | SVC をインポートする. |
skl04-2:
SVC
オブジェクト(線形カーネル)の生成SVC
オブジェクトを生成しよう.ここで,パラメタはkernel='linear'
とする.
難易度:★★
ミッション | 説明 |
---|---|
1 | SVC() コンストラクタを呼び出す. |
2 | kernel パラメタを指定する. |
3 | 生成したSVC オブジェクトをsvc とする. |
skl04-3:学習
学習データを基にsvc
により学習しよう.
難易度:★★
ミッション | 説明 |
---|---|
1 | SVC.fit() メソッドを使う. |
skl04-4:予測
svc
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 | SVC.predict() メソッドを使う. |
skl04-5:予測精度の取得
svc
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 | SVC.score() メソッドを使う. |
skl04-6:学習モデルの可視化
次のコードはsvc
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skl04_plt.py
というファイル名で保存し,python3
コマンドで実行しよう.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 |
import numpy as np import pandas as pd import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap from sklearn.svm import SVC # data coffee = pd.read_csv('data/coffee.csv', index_col=0) feature_names = np.array(coffee.columns[:-1]) target_names = ['dislike', 'like'] coffee_X = np.array(coffee[feature_names]) coffee_y = np.array(coffee['rating']) # train svc = SVC(kernel='linear') svc.fit(coffee_X, coffee_y) # plot cmap_light = ListedColormap(['#CCCCFF', '#FFCCCC']) cmap_dark = ListedColormap(['#8888FF', '#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 = svc.decision_function(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) plt.pcolormesh(xx, yy, Z, cmap=cmap_light) plt.contour(xx, yy, Z, colors=['k', 'k', 'k'], linestyles=['--', '-', '--'], levels=[-.5, 0, .5]) plt.scatter(svc.support_vectors_[:, 0], svc.support_vectors_[:, 1], s=80, facecolors='none', edgecolors='k') plt.scatter(coffee_X[:, 0], coffee_X[:, 1], c=coffee_y, cmap=cmap_dark, edgecolors='k') plt.title("coffee") plt.xlabel('sourness') plt.ylabel('bitterness') 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skl04_plt.py を実行する. |