実行例は「saka.mokumoku」の「Google Colabotry」環境に保存してある
iris（菖蒲：アヤメ）データセットを使って進める
（その２）は行番号２８～５１までを解説する
#
# １．データの読み込み
#
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
#
from sklearn import datasets
#
%matplotlib inline
#
iris_datasets = datasets.load_iris()
#
#
#print("＊＊＊詳細＊＊＊＊＊",flush=True)
#print(iris_datasets.DESCR)
#print("＊＊＊＊＊＊＊＊",flush=True)
#
#
# ２．データの確認
#
iris = pd.DataFrame(iris_datasets.data,columns = iris_datasets.feature_names)
iris['target'] = iris_datasets.target
#
iris.head()
#
#
# ３．モデルの学習
#
target = iris['target']
data = iris[iris_datasets.feature_names]
#
from sklearn import model_selection
data_train,data_test,target_train,target_test = \
model_selection.train_test_split(data,target,train_size=0.8)
#
print(target_train.shape,target_test.shape)
print(data_train.shape,data_test.shape)
#
from sklearn.svm import SVC
model = SVC(gamma='scale')
model.fit(data_train,target_train)
#
target_predict = model.predict(data_test)
#
print(target_predict)
print(np.array(target_test))
#
model.score(data_test,target_test)
#
#
# ４．モデルの評価
#
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score
#
precision = precision_score(target_test,target_predict,average='micro')
recall = recall_score(target_test,target_predict,average='micro')
f1 = f1_score(target_test,target_predict,average='micro')
#
print('適合率(precision)',precision)
print('再現率(recall)',recall)
print('Ｆ値(F-measure)',f1)
#
#
#
# データの先頭
#print("＊＊＊先頭＊＊＊＊",flush=True)
#iris.head()
#print("＊＊＊＊＊＊＊＊",flush=True)
#
# データの概要
#print("＊＊＊概要＊＊＊＊",flush=True)
#iris.info()
#print("＊＊＊＊＊＊＊＊",flush=True)
#
# データの要約統計量
#print("＊＊＊統計＊＊＊＊＊")
#iris.describe()
#print("＊＊＊＊＊＊＊＊")
#
# データの形状
#print("＊＊＊形状＊＊＊＊＊")
#iris.shape
#print("＊＊＊＊＊＊＊＊")
#
# データ要素の取り出し
#print("＊＊＊要素＊＊＊＊＊")
#iris.iloc[:10]
#print("＊＊＊＊＊＊＊＊")
#
# 条件に合う行の取得
#print("＊＊＊条件＊＊＊＊＊")
#iris.query("target==1")
#print("＊＊＊＊＊＊＊＊")
#
#以下にサンプルコードと解説を載せます
３.モデルの学習
#
target = iris['target']
data = iris[iris_datasets.feature_names] irisデータを機械学習用に準備する
今回は評価用データは設けず、全て機械学習用とする
目的変数（target）、説明変数（data）の２つを用意する
目的変数：結果（推論を行う対象）
説明変数：要因（推論を行うために用いる変数）
#
from sklearn import model_selection
data_train,data_test,target_train,target_test = \
model_selection.train_test_split(data,target,train_size=0.8) 分割用のオブジェクトをsklearnから読み込む
model_selectionを呼び出す
データの分割にはtrain_test_split関数を使用する
ランダムにデータをピックアップする関数
※記述した計算結果の数値は都度異なる結果になる
目的変数と説明変数は以下の様に分割される
target_train・・・８０％、学習データ
target_test ・・・２０％、検証データ
data_train・・・８０％、学習データ
data_test ・・・２０％、検証データ
#
print(target_train.shape,target_test.shape)
print(data_train.shape,data_test.shape) 分割の結果を確認する
目的変数の形状（shape）を各々出力する
説明変数の形状（shape）を各々出力する
以下はprint文による出力例
(120,) (30,)
(120, 4) (30, 4) １５０行のデータが各々１２０行と３０行に分割されている
target_train・・・８０％（１２０行）
target_test ・・・２０％（３０行）
data_train・・・８０％ （１２０行、４列）
data_test ・・・２０％ （３０行、４列）
#
from sklearn.svm import SVC
model = SVC(gamma='scale')
model.fit(data_train,target_train) sklearn.svmモジュールに含まれるSVCクラスを呼び出す
サポートベクターマシン（ＳＶＭ）を使って学習する
ＳＶＭ・・・予測に必要なデータに絞り込んでいくこと
例：１本の境界線で２つに分類できるとして、
最もよく分類できる直線を求める
モデルとしてガンマ分布（gamma）を使用する
fit関数に学習データ（data_trainとtarget_tran）を渡す
モデルのデータ関連性を学習する
#
target_predict = model.predict(data_test) 検証データを使って予測する
predict関数に説明変数の検証データを与えると
予測結果がtarget_predictに返ってくる
#
print(target_predict)
print(np.array(target_test)) 予測結果（target_predict）データと
正解（目的変数の検証データ：target_test）を並べて比較する
検証データは配列に変換する
以下はprint文による出力例
[0 0 2 2 1 1 1 2 2 1 0 1 1 1 2 0 0 1 1 1 1 0 0 0 0 1 0 0 2 0]
[0 0 2 2 1 1 1 2 2 1 0 1 1 1 2 0 0 1 1 1 1 0 0 0 0 1 0 0 2 0]#
model.score(data_test,target_test) 正解率（決定係数）を計算する
説明変数の検証データ（data_test）と
目的変数の検証データ（target_test）とで正解率を求める
以下は正解率（score関数の出力）
0.9666666666666667