Pythonの機械学習 - scikit学習パーセプトロンモデルのトレーニングの使用

この1は、我々は、モデルやトレーニング、大いに共通のアルゴリズムの実装が含まれ、高度に最適化された私たちの学習プロセスを容易このパッケージを実装するためにscikit-学ぶAPIの使用を開始し、データが前処理、チューニングが含まれています多くの方法が参加し、モデル評価します。

私たちは前に見example'veに見えますが、今回は3つのカテゴリすべてのサンプルデータ150個のサンプルを用いて、二次元の機能を使用するパーセプトロンモデル、データセットやアイリスを、訓練するためにsklearnを使用します

%matplotlib inline
import numpy as np
from sklearn import datasets

iris = datasets.load_iris()
X = iris.data[:, [2, 3]]
y = iris.target

np.unique(y)

array([0, 1, 2])

新しいデータで訓練モデルの予測力を評価するために、我々はここで、トレーニングとテストセットにここアイリスデータセットになります私たちは、データセットに来てトレーニング、テストセットの30％を占めtrian_test_splitメソッドを呼び出すことにより、2つの部分に分割されセット70％

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

私たちは、その後、正規の特性にここStandardScalerを呼び出し、機能にズーム：

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
sc.fit(X_train)
X_train_std = sc.transform(X_train)
X_test_std = sc.transform(X_test)

各次元におけるサンプルデータセット特性の平均値と標準偏差を計算する方法を使用して、新しいオブジェクトに合わせ、その後、本明細書中で使用される、正規化された変換データセットのメソッドを呼び出すSC、我々は、同一の標準化されたパラメータのトレーニング及びテストセットを処理しました。その後、我々は知覚モデルを訓練します

from sklearn.linear_model import Perceptron

ppn = Perceptron(max_iter=40, eta0=0.1, random_state=0)

ppn.fit(X_train_std, y_train)

Perceptron(alpha=0.0001, class_weight=None, early_stopping=False, eta0=0.1,
           fit_intercept=True, max_iter=40, n_iter_no_change=5, n_jobs=None,
           penalty=None, random_state=0, shuffle=True, tol=0.001,
           validation_fraction=0.1, verbose=0, warm_start=False)

y_pred = ppn.predict(X_test_std)

print('Misclassified samples: %d' % (y_test != y_pred).sum())

Misclassified samples: 5

誤り率が0.11分類であるように、点を誤って分類された5つの試験サンプルで見ることができ、分類精度は、我々が直接分類精度率を計算することができ、1から0.11 = 0.89でした。

from sklearn.metrics import accuracy_score

print('Accuracy: %.2f' % accuracy_score(y_test, y_pred))

Accuracy: 0.89

最後に、我々は、サンプルのトレーニングとテストセットを区別できるように、我々はplot_decision_regionsが機能いくつかの変更を行います境界領域を、描きます

from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt

def plot_decision_regions(X, y, classifier, test_idx=None, resolution=0.02):
    # setup marker generator and color map 
    markers = ('s', 'x', 'o', '^', 'v')
    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
    cmap = ListedColormap(colors[:len(np.unique(y))])
    
    # plot the decision surface
    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),
                          np.arange(x2_min, x2_max, resolution))
    Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
    Z = Z.reshape(xx1.shape)
    plt.contourf(xx1, xx2, Z, slpha=0.4, cmap=cmap)
    plt.xlim(xx1.min(), xx1.max())
    plt.ylim(xx2.min(), xx2.max())
    
    # plot all samples
    X_test, y_test = X[test_idx, :], y[test_idx]
    for idx, cl in enumerate(np.unique(y)):
        plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1], alpha=0.8,
                   c=cmap(idx), marker=markers[idx], label=cl)
    
    # highlight test samples
    if test_idx:
        X_test, y_test = X[test_idx, :], y[test_idx]
        plt.scatter(X_test[:, 0], X_test[:, 1], c='',alpha=1.0,
                   linewidth=1, marker='o', s=55, label='test set')

X_combined_std = np.vstack((X_train_std, X_test_std))

y_combined = np.hstack((y_train, y_test))

plot_decision_regions(X=X_combined_std, y=y_combined, classifier=ppn,
                     test_idx=range(105, 150))
plt.xlabel('petal length [standardized]')
plt.ylabel('petal width [standardized]')
plt.legend(loc='upper left')
plt.show()

次の3つのカテゴリに見られかつ完璧ではない分類することができ、これは、3つのタイプのデータを過ごした線形分離ではありません。

Pythonの機械学習 - scikit学習パーセプトロンモデルのトレーニングの使用

おすすめ