初心者向けのレクチャーによく使われるirisデータを使って、機械学習の分類問題にトライしてみます。
#使用するデータ
ireiデータ。（irisは「アヤメ」の花を意味。）
アヤメの品種のSetosa Versicolor Virginicaの3品種に関するデータ。
全部で150件のデータセット。
#データセットの内容
Sepal Length：がく片の長さ
Sepal Width：がく片の幅
Petal Length：花びらの長さ
Petal Width：花びらの幅
Name：アヤメの品種データ（Iris-Setosa、Iris-Vesicolor、Iris-Virginicaの3種類）
#採用するモデル
SVM（サポートベクターマシン）。
SVMは教師あり学習の分類問題に適している。
スパム判別器なども作ることが可能なモデル。
教師あり学習なので、特徴量データと目的変数が必要。
#全体の流れ
1）データの下準備
2）データを可視化
3）モデルを学習・評価
#実践
##1）データの下準備
まずは、必要なライブラリをインポートした後、データを取り込み確認。
import numpy as np
import pandas as pd
import seaborn as sns
sns.set_style("whitegrid")
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.model_selection import train_test_split, cross_validate
df = pd.read_csv("iris.csv")
df.head()
SepalLength SepalWidth PetalLength PetalWidth Name
0 5.1 3.5 1.4 0.2 Iris-setosa
1 4.9 3.0 1.4 0.2 Iris-setosa
2 4.7 3.2 1.3 0.2 Iris-setosa
3 4.6 3.1 1.5 0.2 Iris-setosa
4 5.0 3.6 1.4 0.2 Iris-setosa
訓練データとテストデータに分割する。
X = df[["SepalLength","SepalWidth","PetalLength","PetalWidth"]]
y = df["Name"]
X_train, X_test, y_train, y_test = train_test_split(X, y)
X_train.shape, X_test.shape
((112, 4), (38, 4)) #分割後の行列数確認
訓練データとテストデータそれぞれでDataframeを作成。
data_train = pd.DataFrame(X_train)
data_train["Name"] = y_train
##2）データを可視化
検証データでは、実際にアヤメの種類と獲得超量にどんな関係があるのか？
プロットして、種類ごとに特徴量に違いがあるのか確認してみる。
sns.pairplot(data_train, hue='Name', palette="husl")
たしかにアヤメの種類によって、各特徴量に明確に差があるように見える。
##3）モデルを学習・評価
実際にSVMに検証データを入れて、モデルをつくってみる。
X_train = data_train[["SepalLength", "SepalWidth","PetalLength"]].values
y_train = data_train["Name"].values
from sklearn import svm,metrics
clf = svm.SVC()
clf.fit(X_train,y_train)
作成したモデルにテストデータを入力。
pre = clf.predict(X_test)
モデルを評価する。
ac_score = metrics.accuracy_score(y_test,pre)
print("正解率=", ac_score)
正解率= 0.9736842105263158
テストデータとモデルによって得られた結果が97%一致していることが確認できた。