はじめに
ランダムフォレストでワインの品質判定をやってみたので、紹介します。
プログラム
基本的には前回記事と同じです。
ワインの特徴量と品質が記されたデータセットをURLから持ってきて、
特徴量からワインの品質を求めるようなプログラムになってます。
ランダムフォレストという機械学習の手法を使っております。
# 必要なライブラリのインポート
import numpy as np # 数値計算を効率的に行うためのライブラリ
import pandas as pd # データ分析を容易にするためのライブラリ
from sklearn.ensemble import RandomForestClassifier # ランダムフォレストモデルを使用するためのライブラリ
from sklearn.model_selection import train_test_split # データを訓練用とテスト用に分割するためのライブラリ
from sklearn.preprocessing import StandardScaler # データの標準化を行うためのライブラリ
from sklearn.metrics import accuracy_score # 正解率を計算するためのライブラリ
# データセットの読み込み
df = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv', sep=';') # ウェブ上のデータセットを読み込む
# データの前処理
df = df.replace('?', np.nan).dropna() # '?'を欠損値として扱い、欠損値を含む行を削除
for column in df.columns:
df[column] = df[column].astype(float) # 全ての列のデータタイプを浮動小数点数に変換
# 品質をカテゴリ変数に変換
df['quality'] = pd.Categorical(df['quality']) # 'quality'列のデータをカテゴリ変数に変換
# 特徴量と目的変数の指定
X = df.drop('quality', axis=1) # 'quality'列を除いたデータを特徴量として指定
y = df['quality'].cat.codes # 'quality'列のカテゴリコードを目的変数として指定
# データの標準化
scaler = StandardScaler() # 標準化を行うためのインスタンスを作成
X_scaled = scaler.fit_transform(X) # 特徴量データを標準化
# 訓練データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=0) # データを訓練用とテスト用に分割
# ランダムフォレストモデルの構築
rf_model = RandomForestClassifier(n_estimators=100, random_state=0) # ランダムフォレストモデルのインスタンスを作成
# モデルの訓練
rf_model.fit(X_train, y_train) # 訓練データを使ってモデルを訓練
# モデルの評価
train_predictions = rf_model.predict(X_train) # 訓練データに対する予測
test_predictions = rf_model.predict(X_test) # テストデータに対する予測
# 正解率の計算
train_accuracy = accuracy_score(y_train, train_predictions) # 訓練データの正解率を計算
test_accuracy = accuracy_score(y_test, test_predictions) # テストデータの正解率を計算
# 結果の表示
print(f'正解率(train): {train_accuracy:.3f}') # 訓練データの正解率を表示
print(f'正解率(test): {test_accuracy:.3f}') # テストデータの正解率を表示
実行結果
実行結果は以下のような感じでした。
正解率70.9%っすね。
C:\Python\wine\rf>python rf1.py
正解率(train): 1.000
正解率(test): 0.709
Q. なんで70%しか出ないのか・・・？
どうやらワインのデータに原因があるらしい。
ワインのデータ内に、品質の偏りがあるらしい。。。
（↓の記事に分かりやすく書いてありました。）