今回やること

svmを使った簡単な分類問題を解いていきます。
使うデータはsklearnのワインのデータ。３つに分類していきます。
ほぼ教科書に載ってることですね。

必要なライブラリをインポート

サポートベクターマシーンに必要なライブラリをインポートします。

python

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score
import seaborn as sns

使用するデータを用意

python

from sklearn.datasets import load_wine

wine = load_wine()  # データをロード
wine_df = pd.DataFrame(wine.data, columns=wine.feature_names)  # データをデータフレームに変換
wine_df["class"] = wine.target  # カラム[class]に目的変数を設定。

簡単にデータの分布を確認

python

wine_df.describe()

訓練データとテストデータに分割 & 　標準化

svmが学習できるように説明変数を標準化していきます。
標準化とは平均を0、標準偏差を1にすることです。

python

# 訓練データとテストデータに分割
x_train, x_test, t_train, t_test = train_test_split(wine.data, wine.target, random_state=0)

# データの標準化
std_scl = StandardScaler()
std_scl.fit(x_train)
x_train = std_scl.transform(x_train)
x_test = std_scl.transform(x_test)

モデルの定義、学習、予測した後、評価

モデルを定義、学習、予測した後、
accuracy_scoreを使って今回の予測の正答率を計算します。

python


model = LinearSVC(random_state=0)  # モデルを定義
model.fit(x_train, t_train)  # 学習

# 予測
y_test = model.predict(x_test)

# 正解率
acc_test = accuracy_score(t_test, y_test)
print(acc_train, acc_test)

1.0 1.0

今回テストに使用した45件のデータ全てにおいて正解することができました。
裏で行われている計算をもっと深く知っていきたいです。

最後に

今回初めてのQiita投稿ということで、試しにsvmの備忘録を記録しました。
結構楽しく書けたので、今後も投稿していきたいです！

ありがとうございました。

sklearnドキュメント
https://scikit-learn.org