アヤメの種類判別（その３）

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３）は行番号５２～６６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

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

　評価用数値を求めるためにライブラリを読み込む
　　　適合率（precision）
　　　　　正解と予測した中で、実際に正解している割合
　　　再現率（recall）
　　　　　実際の正解の中で、正解と予測できた割合
　　　Ｆ値（F-measure）
　　　　　適合率と再現率の調和平均

#
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')

　各々評価値を計算する
　　　目的変数の検証用データと予測結果で割合の計算

#
print('適合率(precision)',precision)
print('再現率(recall)',recall)
print('Ｆ値(F-measure)',f1)

　以下はprint文による出力例

適合率(precision) 0.9666666666666667
再現率(recall) 0.9666666666666667
Ｆ値(F-measure) 0.9666666666666667