Versuchen wir ein Klassifizierungsproblem beim maschinellen Lernen unter Verwendung von Irisdaten, das häufig in Vorlesungen für Anfänger verwendet wird.

Zu verwendende Daten

irei Daten. (Iris bedeutet "Ayame" Blume.) Daten zu drei Irisarten, Setosa Versicolor Virginica. Insgesamt 150 Datensätze.

Datensatzinhalt

Sepal Länge: Länge des Stückes Sepal Breite: Breite des Stückes Blütenblattlänge: Blütenblattlänge Blütenblattbreite: Blütenblattbreite Name: Ayame-Sortendaten (Iris-Setosa, Iris-Vesicolor, Iris-Virginica)

Modell zu übernehmen

SVM (Support Vector Machine). SVM eignet sich für das Klassifizierungsproblem des überwachten Lernens. Ein Modell, das auch Spam-Diskriminatoren erzeugen kann. Da es sich um ein überwachtes Lernen handelt, sind Merkmalsdaten und objektive Variablen erforderlich.

Gesamtdurchfluss

Vorbereitung der Daten
Daten visualisieren
Lernen und bewerten Sie das Modell

Trainieren

1) Vorbereitung der Daten

Importieren und bestätigen Sie nach dem Importieren der erforderlichen Bibliotheken zunächst die Daten.

import numpy  as np
import pandas as pd
import seaborn as sns
sns.set_style("whitegrid")
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.model_selection import train_test_split, cross_validate

df = pd.read_csv("iris.csv")
df.head()

	SepalLength	SepalWidth	PetalLength	PetalWidth	Name
0	5.1	3.5	1.4	0.2	Iris-setosa
1	4.9	3.0	1.4	0.2	Iris-setosa
2	4.7	3.2	1.3	0.2	Iris-setosa
3	4.6	3.1	1.5	0.2	Iris-setosa
4	5.0	3.6	1.4	0.2	Iris-setosa

Teilen Sie in Trainingsdaten und Testdaten.

X = df[["SepalLength","SepalWidth","PetalLength","PetalWidth"]]
y = df["Name"]

X_train, X_test, y_train, y_test = train_test_split(X, y)
X_train.shape, X_test.shape

((112, 4), (38, 4)) #Überprüfen Sie die Anzahl der Matrizen nach der Division

Erstellen Sie einen Datenrahmen für alle Trainingsdaten und Testdaten.

data_train = pd.DataFrame(X_train)
data_train["Name"] = y_train

2) Daten visualisieren

Welche Beziehung besteht in den Verifizierungsdaten tatsächlich zwischen der Art der Iris und der Menge des erworbenen Überschusses? Zeichnen Sie und prüfen Sie, ob es für jeden Typ Unterschiede in den Funktionen gibt.

sns.pairplot(data_train, hue='Name', palette="husl")

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/269450/43205a3a-1981-ad86-f9a3-d14a656ec628.png)

Sicherlich scheint es je nach Art der Iris einen deutlichen Unterschied zwischen den einzelnen Merkmalen zu geben.

3) Lernen und bewerten Sie das Modell

Lassen Sie uns die Verifizierungsdaten tatsächlich in SVM ablegen und ein Modell erstellen.

X_train = data_train[["SepalLength", "SepalWidth","PetalLength"]].values
y_train = data_train["Name"].values

from sklearn import svm,metrics

clf = svm.SVC()
clf.fit(X_train,y_train)

Geben Sie Testdaten in das erstellte Modell ein.

pre = clf.predict(X_test)

Bewerten Sie das Modell.

ac_score = metrics.accuracy_score(y_test,pre)
print("Richtige Antwortrate=", ac_score)

Richtige Antwortrate= 0.9736842105263158

Es wurde bestätigt, dass die Testdaten und die vom Modell erhaltenen Ergebnisse zu 97% konsistent waren.

[Python] Bestimmen Sie den Typ der Iris mit SVM