pythonでも指折りのライブラリだと思ってる．
機械学習用のライブラリ．入っている学習は以下のとおり（一例）．
- 教師あり学習
- 最近傍法，一般化線形モデル，線形判断分析，SVM，決定木，ランダムフォレスト，ナイーブベイズなど
- 教師なし学習
- 混合ガウスモデル，主成分分析，因子分析，独立成分分析，クラスタリング，隠れマルコフモデルなど
- その他
- クロスバリデーション，グリッドサーチ，Accuracyなど
※チートシートはこっち
教師あり学習
Support Vector Machine
回帰分析
# まずは学習データの作成
>>> import numpy
>>> np.seed(0) # 乱数のシード固定
>>> x = numpy.sort(5 * numpy.random.rand(40, 1), axis=0)
>>> y = numpy.sin(x).ravel()
>>> y[::5] += 3 * (0.5 - numpy.random.rand(8))
>>> plot(x, y, 'o')
回帰分析の時はSVRを使う（Support Vector Regressionの略かと）．
引数のオプションについて
C (default = 1.0)
- 罰則項のパラメータ
- 大きいとマージンを許容しない（ハードマージン）、小さいと許容する
kernel (default = rbf)
- カーネル関数のタイプ
- 線形: linear, 多項式: poly, RBF(ガウス): rbf, シグモイド: sigmoid, プレコンピューテッド: precomputed
gamma (default = 0.0)
- RBF、多項式カーネルの係数
degree (default = 2)
- RBF、多項式、シグモイドカーネル関数の次数
>>> from sklearn.svm import SVR
# 学習器の作成
>>> svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)
>>> svr_lin = SVR(kernel='linear', C=1e3)
>>> svr_poly = SVR(kernel='poly', C=1e3, degree=2)
# fitで学習，predictで予測
>>> y_rbf = svr_rbf.fit(x, y).predict(x)
>>> y_lin = svr_lin.fit(x, y).predict(x)
>>> y_poly = svr_poly.fit(x, y).predict(x)
分類
いわゆるSVMはこっちだと思う．
scikit-learnではSVC(Support Vector Classifierの略)を使う．
# 学習データ作成
>>> numpy.random.seed(0)
>>> X = numpy.random.randn(300, 2)
>>> Y = numpy.logical_xor(X[:,0]>0, X[:,1]>0)
from sklearn.svm import SVC
# 分類器の作成
>>> clf = SVC(kernel='rbf', C=1e3, gamma=0.1)
# 学習
>>> clf.fit(X, Y)
# 決定関数までの距離を計算
>>> xx, yy = np.meshgrid(linspace(-3, 3, 500), linspace(-3, 3, 500))
>>> Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
>>> Z = Z.reshape(xx.shape)
#グラフ化
>>> imshow(Z, interpolation='nearest', extent=[xx.min(),
... xx.max(),
... yy.min(),
... yy.max()],
... aspect='auto',
... origin='lower',
... cmap=cm.PuOr_r)
>>> ctr = contour(xx, yy, Z, levels=[0], linetypes='--')
>>> scatter(X[:, 0], X[:, 1], c=Y, cmap=cm.Paired)
>>> axis([xx.min(), xx.max(), yy.min(), yy.max()])
>>> show()
imshow(): 配列をグラフ化する
引数オプション:
interpolation
- グラフ処理の際の補完
- 'nearest' -
extent
- 範囲を指定
- [水平方向の最小値, 水平方向の最大値, 鉛直方向の最小値, 鉛直方向の最大値]
aspect
- アスペクト比の調整
origin
- 基準点を設定
- 'lower' - Z[0,0]を左下のコーナーに合わせる
cmap
- カラーマップを指定
教師なし学習
k-means法
一例でk-means法を示す．
>>> import sklearn.datasets, sklearn.cluster
>>> # IRISデータの読込
>>> d = sklearn.datasets.load_iris()
>>> km = sklearn.cluster.KMeans(3)
>>> km.fit(d.data)
>>> for i, e in enumerate(d.data):
... scatter(e[0], e[2], c='rgb'[km.labels_[i]])
その他
残りは公式ドキュメントで.