ガウシアンナイーブベイズによる聴牌判定

※この記事は2020年に作成しました

#概要
ハードコーティングで作成した聴牌判定で手牌の聴牌ラベルをつけ、ガウシアンナイーブベイズで判定するプログラムを作成した。

#結果
test_size（テストデータに使用するデータの割合）を変更したときの各精度を示す。

test_size	精度(%)
0.10	91.9
0.20	92.1
0.30	92.0
0.40	91.9

#作成したプログラム

from sklearn import datasets                           # データロード用
from sklearn.model_selection import train_test_split  # 学習/テストデータ作成用
from sklearn import metrics                            # 精度評価用
from sklearn.naive_bayes import GaussianNB             # ガウシアンナイーブベイズ実行用
import numpy as np
np.set_printoptions(threshold=100000000)

# データ用意
data = 101437
X = np.zeros((data,34), dtype='float32')# Xは手牌
with open('C:/sqlite/tehai.csv', 'r') as fr:
    for i,row in enumerate(fr.readlines(),start=0):
        if i <data:
            X[i] += np.array(list(map(np.float,row[:34])))

dahai = np.zeros((data,1), dtype='float32')#打牌読み込み
with open('C:/sqlite/tenpai.csv', 'r') as fr:
    for i,row in enumerate(fr.readlines(),start=0):
        if i <data:
            dahai[i] += np.array(list(map(np.float,row[:1])))

Y = dahai.flatten()
X_train, X_test, Y_train, Y_test = train_test_split(X, Y,test_size=0.4,random_state=0)


# ガウシアンナイーブベイズ実行
model = GaussianNB()              # インスタンス生成
model.fit(X_train, Y_train)       # モデル作成実行

# 予測実行
predicted = model.predict(X_test) # 予測実行
acc = metrics.accuracy_score(Y_test, predicted) # 精度計算

print(acc)
#print(predicted)