こちらでBlue Book の機械学習の例題です。
カラー図解 Raspberry Piではじめる機械学習 基礎からディープラーニングまで (ブルーバックス)
新品価格 |
コード
# -*- coding: utf-8 -*- from sklearn import datasets, svm import numpy as np import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap # アヤメのデータをロードし、変数irisに格納 iris = datasets.load_iris() # 特徴量のセットを変数Xに、ターゲットを変数yに格納 X = iris.data y = iris.target # 特徴量を外花被片の長さ(sepal length)と幅(sepal width)の # 2つのみに制限(2次元で考えるため) X = X[:,:2] # ターゲットは2 (iris virginica) でないもの, # つまり iris setosa (0) と iris versicolor (1) のみを対象とする # (領域の2分割) X = X[y!=2] y = y[y!=2] # 分類用にサポートベクトルマシン (Support Vector Classifier) を用意 clf = svm.SVC(C=1.0, kernel='linear') # データに最適化 clf.fit(X, y) ##### 分類結果を背景の色分けにより表示 # 外花被片の長さ(sepal length)と幅(sepal width)の # 最小値と最大値からそれぞれ1ずつ広げた領域を # グラフ表示エリアとする x_min = min(X[:,0]) - 1 x_max = max(X[:,0]) + 1 y_min = min(X[:,1]) - 1 y_max = max(X[:,1]) + 1 # グラフ表示エリアを縦横500ずつのグリッドに区切る # (分類クラスに応じて背景に色を塗るため) XX, YY = np.mgrid[x_min:x_max:500j, y_min:y_max:500j] # グリッドの点をscikit-learn用の入力に並べなおす Xg = np.c_[XX.ravel(), YY.ravel()] # 各グリッドの点が属するクラス(0か1)の予測をZに格納 Z = clf.predict(Xg) # Zをグリッド上に並べなおす Z = Z.reshape(XX.shape) # クラス0 (iris setosa) が薄オレンジ (1, 0.93, 0.5, 1) # クラス1 (iris versicolor) が薄青 (0.5, 1, 1, 1) cmap01 = ListedColormap([(0.5, 1, 1, 1), (1, 0.93, 0.5, 1)]) # 背景の色を表示 plt.pcolormesh(XX, YY, Z==0, cmap=cmap01) # 軸ラベルを設定 plt.xlabel('sepal length') plt.ylabel('sepal width') ##### ターゲットに応じた色付きでデータ点を表示 # iris setosa (y=0) のデータのみを取り出す Xc0 = X[y==0] # iris versicolor (y=1) のデータのみを取り出す Xc1 = X[y==1] # iris setosa のデータXc0をプロット plt.scatter(Xc0[:,0], Xc0[:,1], c='#E69F00', linewidths=0.5, edgecolors='black') # iris versicolor のデータXc1をプロット plt.scatter(Xc1[:,0], Xc1[:,1], c='#56B4E9', linewidths=0.5, edgecolors='black') # サポートベクトルを取得 SV = clf.support_vectors_ # サポートベクトルの点に対し、赤い枠線を表示 plt.scatter(SV[:,0], SV[:,1], c=(0,0,0,0), linewidths=1.0, edgecolors='red') # 描画したグラフを表示 plt.show()
結果