scikit-learnで機械学習の入口に立ってみた。

概要

• クラスチェンジするためには、下記を実行せよとお告げがあった。

  • 現在の知識(pandas,numpy,matplotlib)の知識を深めよ。
  • scikit-learnを学べ。
  • コミュニケーション能力は必要だ。

• 実行しますか。
  -> はい
  いいえ

scikit-learnのtutorial

import

• Pythonではじめる機械学習を参考に行った。　　
• scikit-learnのirisのデータセットを用いて、k近傍法でirisの種別を分ける。

import

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
iris_dataset = load_iris()
import seaborn as sns

%matplotlib inline

データの内容

• irisのデータセットでは、下記のようにデータが含まれています。中でも、dataはfeature_namesのように4つのパーツのデータが入っています。
• irisがどの種別に属するかは、targetで確認することができます。(target_namesで名称も確認できます。)

iris_dataset.keys()
>> dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names', 'filename'])

iris_dataset.feature_names
>> ['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']

iris_dataset.target
>>array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])

iris_dataset.target_names
>> array(['setosa', 'versicolor', 'virginica'], dtype='<U10')

テストデータと訓練用データ

• 下記でテストデータと訓練用データを分割します。デフォルトで全データの25%がテストデータとなります。
• random_state=0としているのは、再現性を持たせるために使用しています。

train_test_split

X_train,X_test,y_train,y_test = train_test_split(iris_dataset.data,
                                                 iris_dataset.target,
                                                 random_state=0)

データの確認(可視化)

• データフレームにして、可視化します。
• 書籍では、pd.scatter_matrixを使ってた気がしますが、warningが出た気がしたので、下記のようにしました。
  • warningは、pd.plotting.scatter_matrixで回避できますがseabornのほうが楽だったので手を抜きました簡潔に実装できます。
• こうしてみると、setosa:0は他の２種と明確に別れており、versicolor:1とvirginica:2もなんとか分離できそうな感じがします。

dataframe

df_iris_train = pd.DataFrame(X_train,columns=iris_dataset.feature_names)
df_iris_train = pd.concat([df_iris_train,pd.DataFrame(y_train,columns=['target'])],axis=1)

sns.pairplot(df_iris_train,hue='target')

k近傍法

• n_neighborsはデフォルトで5ですが、1にしました。
  • n_neighborsが大きいとノイズに強いそうですが、精度が落ちそうなため1にしました。(前段の可視化でノイズが少なそうだと判断したため）

KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(X_train,y_train)

結果

• 精度は97%となり、かなり高精度で予測できていることがわかります。
  • 元々きれいなデータなのでこれくらいは当然なのでしょうか？

score

knn.score(X_test,y_test)
>> 0.9736842105263158

まとめ

• matplotlib使うの忘れてる・・・
• pairplot便利すぎわろた
• 機械学習の入口に立てた気はします。
• 理論を理解してしないと、変数をいじれないのがもどかしいので勉強します。
• 次のキャリアパスに向けて、より高みを目指す。