Pythonを使用した機械学習の概要

この記事では、Python3.xを使用した機械学習の基本について学習します。またはそれ以前。

まず、既存のライブラリを使用して機械学習環境を設定する必要があります

>>> pip install numpy
>>> pip install scipy
>>> pip install matplotlib
>>> pip install scikit-learn

機械学習は経験と事実の研究を扱い、予測は提供された意図に基づいて行われます。データベースが大きいほど、機械学習モデルは優れています。

機械学習の流れ

• データのクリーニング
• データセットへのフィード
• モデルのトレーニング
• データセットのテスト
• モデルの実装

次に、どのライブラリがどの目的で使用されているかを特定しましょう-

Numpy −これらの入力配列を操作するための数学関数の幅広いコレクションとともに、巨大な多次元リストと行列のサポートを追加します。

SciPy −科学/数学コンピューティングに使用される無料のオープンソースPythonライブラリ。アルゴリズムの最適化、データの統合、補間、いくつかの特殊関数、線形代数のためのモジュールが含まれています

Matplotlib −チャートや図の作成に使用されるライブラリ。これにより、データをプロットして、モデルをより深く理解できるようになります

Scikit-learn −明確に定義された方法でデータを分散および整理するためのさまざまな分類、クラスタリング、および回帰アルゴリズムがあります

それでは、scikit-learnを使用して基本的な機械学習モデルを作成しましょう。ここでは、組み込みのデータセット、つまりスキーキットで利用できる虹彩と数字のデータセットを取り上げます。

from sklearn import datasets
iris = datasets.load_iris()
digits = datasets.load_digits()

次に、使用するデータセットのデータを確認します

print(digits.data)

[[ 0. 0. 5. ... 0. 0. 0.]
[ 0. 0. 0. ... 10. 0. 0.]
[ 0. 0. 0. ... 16. 9. 0.]
...
[ 0. 0. 1. ... 6. 0. 0.]
[ 0. 0. 2. ... 12. 0. 0.]
[ 0. 0. 10. ... 12. 1. 0.]]

.target関数を使用すると、モデルに学習させたいことを確認できます

digits.target

array([0, 1, 2, ..., 8, 9, 8])

使用する数字データセットの形状にアクセスするため

digits.images[0]

array([[ 0., 0., 5., 13., 9., 1., 0., 0.],
   [ 0., 0., 13., 15., 10., 15., 5., 0.],
   [ 0., 3., 15., 2., 0., 11., 8., 0.],
   [ 0., 4., 12., 0., 0., 8., 8., 0.],
   [ 0., 5., 8., 0., 0., 9., 8., 0.],
   [ 0., 4., 11., 0., 1., 12., 7., 0.],
   [ 0., 2., 14., 5., 10., 12., 0., 0.],
   [ 0., 0., 6., 13., 10., 0., 0., 0.]])

それでは、学習と予測の部分に移りましょう

from sklearn import svm
clf = svm.SVC(gamma=0.001, C=100.)

ここで、SVCは、モデルの組み込み推定量として機能するサポートベクター分類です

clf.fit(digits.data[:-1], digits.target[:-1])
SVC(C=100.0, cache_size=200, class_weight=None, coef0=0.0, decision_function_shape='ovr', degree=3, gamma=0.001,
kernel='rbf', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)

まず、モデルが学習できるように、フィット法を使用してモデルにデータセットをフィードする必要があります。ここでは、テスト目的で使用する最後の画像を除くすべての画像をトレーニングデータとしてフィードします。

モデルがトレーニングされると、.predict関数を使用してテストデータの出力を予測できます

clf.predict(digits.data[-1:])
array([8])

モデルがトレーニングされると、モデルの効率とタイムサイクルを計算できます

結論

この記事では、機械学習のいくつかの基本と、Pythonでそれを実装するために使用されるいくつかの基本的なライブラリについて学びました。