機械学習勉強メモ2: KNN

• knnを試します

k近傍法（ケイきんぼうほう、英: k-nearest neighbor algorithm, k-NN）は、特徴空間における最も近い訓練例に基づいた分類の手法であり、パターン認識でよく使われる。最近傍探索問題の一つ。k近傍法は、インスタンスに基づく学習の一種であり、怠惰学習 (lazy learning) の一種である。その関数は局所的な近似に過ぎず、全ての計算は分類時まで後回しにされる。また、回帰分析にも使われる。
出典:https://ja.wikipedia.org/wiki/K%E8%BF%91%E5%82%8D%E6%B3%95

花タイプ判断用ソースコード:

from sklearn import neighbors
from sklearn import datasets

knn = neighbors.KNeighborsClassifier()

# 内部花サンプルデータを読み込みする
iris = datasets.load_iris()

# データ構造を見る
print(iris)

# データknnに学習する 
#iris.data 学習データ
#iris.target　各学習データの結果データ
knn.fit(iris.data, iris.target)

# 予測する
item = [[0.1, 0.2, 0.3, 0.4]]
predictedLabel = knn.predict(item)

i = 0
for key in iris.feature_names:
	print(key + ":" + str(item[0][i]))
	i = i + 1

print("予測の花タイプは:" + iris.target_names[predictedLabel][0])

• 利用したツール: python3 sklearn(機械学習計算用)
• 計算用データ説明:
  花タイプ用判断です。
  iris構造説明:

{'feature_names': ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'], 'data': array([[ 5.1,  3.5,  1.4,  0.2],
       [ 4.9,  3. ,  1.4,  0.2],
       [ 4.7,  3.2,  1.3,  0.2],
       [ 4.6,  3.1,  1.5,  0.2],
       [ 5. ,  3.6,  1.4,  0.2],
       [ 5.4,  3.9,  1.7,  0.4],
       [ 4.6,  3.4,  1.4,  0.3],
       [ 5. ,  3.4,  1.5,  0.2],....
'target_names': array(['setosa', 'versicolor', 'virginica'],....
'target': array([0, 0, 0, 0, 0, 0, 0, 1, 2, 2, 0,....

feature_names:属性名
data:属性データ
target_names:種類名
target:各data属性に対して種類

実行結果: