機械学習　scikit-learn あやめ

アルゴリズムの選択を行い、ここではLinearSVCを使う。

X and Y

# ライブラリーのインポート
from sklearn.svm import LinearSVC
from sklearn.metrics import accuracy_score

# 学習用のデータと結果の準備
# X, Y
learn_data = [[0,0], [1,0], [0,1],[1,1]]
# X and Y
learn_label = [0, 0, 0, 1]

# アルゴリズムの指定
clf = LinearSVC()

# 学習用データと結果の学習　学習にはfit()関数使う
clf.fit(learn_data, learn_label)

# テストデータによる予測　予測にはpredict()関数を使う
test_data = [[0,0], [1,0],[0,1],[1,1]]
test_label = clf.predict(test_data)

# 予測結果の評価
print(test_data, "の予測結果：", test_label)
print("正解率　＝　", accuracy_score([0,0,0,1], test_label))

[[0, 0], [1, 0], [0, 1], [1, 1]] の予測結果： [0 0 0 1]
正解率　＝　 1.0

X xor Y

# ライブラリーのインポート
from sklearn.svm import LinearSVC
from sklearn.metrics import accuracy_score

# 学習用のデータと結果の準備
# X, Y
learn_data = [[0,0], [1,0], [0,1],[1,1]]
# X xor Y
learn_label = [0, 1, 1, 0]

# アルゴリズムの指定
clf = LinearSVC()

# 学習用データと結果の学習　学習にはfit()関数使う
clf.fit(learn_data, learn_label)

# テストデータによる予測　予測にはpredict()関数を使う
test_data = [[0,0], [1,0],[0,1],[1,1]]
test_label = clf.predict(test_data)

# 予測結果の評価
print(test_data, "の予測結果：", test_label)
print("正解率　＝　", accuracy_score([0,1,1,0], test_label))

この場合は正解率が低くなる、XOR計算ができてない。

[[0, 0], [1, 0], [0, 1], [1, 1]] の予測結果： [1 1 1 1]
正解率　＝　 0.5

チャートを確認して、KNeighborsClassiferを使う

# ライブラリーのインポート
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 学習用のデータと結果の準備
# X, Y
learn_data = [[0,0], [1,0], [0,1],[1,1]]
# X xor Y
learn_label = [0, 1, 1, 0]

# アルゴリズムの指定
clf = KNeighborsClassifier(n_neighbors = 1)

# 学習用データと結果の学習　学習にはfit()関数使う
clf.fit(learn_data, learn_label)

# テストデータによる予測　予測にはpredict()関数を使う
test_data = [[0,0], [1,0],[0,1],[1,1]]
test_label = clf.predict(test_data)

# 予測結果の評価
print(test_data, "の予測結果：", test_label)
print("正解率　＝　", accuracy_score([0,1,1,0], test_label))

[[0, 0], [1, 0], [0, 1], [1, 1]] の予測結果： [0 1 1 0]
正解率　＝　 1.0

あやめデータを機械学習して正解率を出す

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

#あやめデータの読み込み　read_csv()メソッドで読み込み
iris_data = pd.read_csv("iris.csv", encoding="utf-8")

# あやめデータをラベルと入力データに分離する　loc()メソッドでヘッダー項目で分離
y = iris_data.loc[:, "Name"]
x = iris_data.loc[:,["SepalLength","SepalWidth","PetalLength","PetalWidth"]]

# 学習用とテスト用に分離する train_test_split()メソッドで分離
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.2, train_size = 0.8, shuffle = True)

# 学習する
clf =  SVC()
clf.fit(x_train, y_train)

# 評価する　accuracy_score()メソッドで正解率を出す
y_pred = clf.predict(x_test)
print("正解率　＝　", accuracy_score(y_test, y_pred))

正解率　＝　 0.9666666666666667