はじめに

　乳癌の腫瘍が良性であるか悪性であるかを判定するためのウィスコンシン州の乳癌データセットについて、線形SVCとハイパーパラメータのチューニングにより分類器を作成する。データはsklearnに含まれるもので、データ数は569、そのうち良性は212、悪性は357、特徴量は30種類ある。

シリーズ

サポートベクタマシンとは

教師あり学習を用いるパターン認識モデルの一つである。分類や回帰へ適用できる。1963年に Vladimir N. Vapnik, Alexey Ya. Chervonenkis が線形サポートベクターマシンを発表し、1992年に Bernhard E. Boser, Isabelle M. Guyon, Vladimir N. Vapnik が非線形へと拡張した。

サポートベクターマシンは、現在知られている手法の中でも認識性能が優れた学習モデルの一つである。サポートベクターマシンが優れた認識性能を発揮することができる理由は、未学習データに対して高い識別性能を得るための工夫があるためである。
（wikipediaより）

線形SVCのハイパーパラメータ

詳細は以下を参照されたい。
sklearn.svm.SVC

ハイパーパラメータ	選択肢	default
C	float型	1
kernel	linear、poly、rbf、sigmoid、precomputed	rbf
degree	float型	3
gamma	float型	auto
coef0	float型	0
Cshrinking	bool型	True
probability	bool型	False
tol	float型	0.001
cache_size	float型	-
class_weight	辞書型、balanced	1(全クラス)
verbose	bool型	False
max_iter	int型	-1
decision_function_shape	ovo、ovr	ovr
random_state	int型	None

手順

乳癌データの読み込み
条件設定
トレーニングデータ、テストデータの分離
グリッドサーチ
ランダムサーチ
ハイパーパラメータをチューニングしない場合との比較

pythonによる実装

%%time
import scipy.stats
from sklearn.datasets import load_breast_cancer
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import RandomizedSearchCV
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score

#乳癌データの読み込み
cancer_data = load_breast_cancer()

#条件設定
max_score = 0
SearchMethod = 0
SVC_grid = {SVC(): {"C": [10 ** i for i in range(-5, 6)],
                    "kernel": ["linear", "rbf", "sigmoid"],
                    "decision_function_shape": ["ovo", "ovr"],
                    "random_state": [i for i in range(0, 101)]
                   }}
SVC_random = {SVC(): {"C": scipy.stats.uniform(0.00001, 1000),
                    "kernel": ["linear", "rbf", "sigmoid"],
                    "decision_function_shape": ["ovo", "ovr"],
                    "random_state": scipy.stats.randint(0, 100)
                     }}

#トレーニングデータ、テストデータの分離
train_X, test_X, train_y, test_y = train_test_split(cancer_data.data, cancer_data.target, random_state=0)

#グリッドサーチ
for model, param in SVC_grid.items():
    clf = GridSearchCV(model, param)
    clf.fit(train_X, train_y)
    pred_y = clf.predict(test_X)
    score = f1_score(test_y, pred_y, average="micro")
    
    if max_score < score:
        max_score = score
        best_param = clf.best_params_
        best_model = model.__class__.__name__

#ランダムサーチ
for model, param in SVC_random.items():
    clf =RandomizedSearchCV(model, param)
    clf.fit(train_X, train_y)
    pred_y = clf.predict(test_X)
    score = f1_score(test_y, pred_y, average="micro")
    
    if max_score < score:
        SearchMethod = 1
        max_score = score
        best_param = clf.best_params_
        best_model = model.__class__.__name__
    
if SearchMethod == 0:
    print("サーチ方法:グリッドサーチ")
else:
    print("サーチ方法:ランダムサーチ")
print("ベストスコア:{}".format(max_score))
print("モデル:{}".format(best_model))
print("パラメーター:{}".format(best_param))

#ハイパーパラメータを調整しない場合との比較
model = SVC()
model.fit(train_X, train_y)
score = model.score(test_X, test_y)
print("")
print("デフォルトスコア:", score)

結果

サーチ方法:グリッドサーチ
ベストスコア:0.958041958041958
モデル:SVC
パラメーター:{'C': 100, 'decision_function_shape': 'ovo', 'kernel': 'linear', 'random_state': 0}

デフォルトスコア: 0.629370629371
Wall time: 5h 49min 30s

おわりに

　ハイパーパラメータのチューニングにより、デフォルトよりも高い正解率を得ることができた。