演習課題「SVMのgamma値の変更」
右側のJupyter Notebookの1つ目のコードエリアでは、点(81, 3)がblueの0に分類されるか、redの1に分類されるかを予測しています。
SVMのgamma値を0.01に修正してからコードを実行し、分類結果が変化することを確認してください。
2つ目のコードエリアを実行した後、結果を保存して、採点ボタンをクリックして、正解と表示されれば演習課題クリアです！
※ ノートの保存は、Jupyter Notebook画面の上側にある「File」をクリックし、「Save and Checkpoint」をクリックします。
＃02:SVMを利用してみよう
ここでは、SVMと呼ばれる機械学習のパターン認識モデルを分類問題に適用する手順を確認します。さらに分類の様子を描画してSVMによる分類のイメージをつかみましょう。
import numpy as np
import matplotlib.pyplot as plt
import random
from sklearn import svm
# 座標を作る
N = 15
random.seed(11813)
train_X = np.array([[random.randint(0, 100), random.randint(0, 100)] for i in range(N)])train_X
# 描画する
for i in range(len(train_X)):
plt.plot(train_X[i][0], train_X[i][1], 'o', color='blue')
plt.annotate(i, (train_X[i][0], train_X[i][1]), size=20)# 手で分類する
train_y = np.array([0 for i in range(N)])
train_y[2] = train_y[3] = train_y[1] = train_y[4] = train_y[5] = train_y[6] = train_y[11] = 1# 分類したものを描画する
colors = ['blue', 'red']
for i in range(len(train_X)):
plt.plot(train_X[i][0], train_X[i][1], 'o', color=colors[train_y[i]])
plt.annotate(i, (train_X[i][0], train_X[i][1]), size=20)# 分類したものを描画する
colors = ['blue', 'red']
for i in range(len(train_X)):
plt.plot(train_X[i][0], train_X[i][1], 'o', color=colors[train_y[i]])
plt.annotate(i, (train_X[i][0], train_X[i][1]), size=20)
# テストデータ。0か1かどっちだろう？
test_X = np.array([[30, 60]])
# test_Xを描画する
plt.plot(test_X[0][0], test_X[0][1], 'x', color='black')
plt.annotate('test', (test_X[0][0], test_X[0][1]), size=20)# 分類したものを描画する
colors = ['blue', 'red']
for i in range(len(train_X)):
plt.plot(train_X[i][0], train_X[i][1], 'o', color=colors[train_y[i]])
plt.annotate(i, (train_X[i][0], train_X[i][1]), size=20)
# テストデータ。0か1かどっちだろう？
test_X = np.array([[30, 60]])
# test_Xを描画する
plt.plot(test_X[0][0], test_X[0][1], 'x', color='black')
plt.annotate('test', (test_X[0][0], test_X[0][1]), size=20)
# 学習する
clf = svm.SVC(gamma=0.0001, C=1)
clf.fit(train_X, train_y)
# 分類する
test_y = clf.predict(test_X)
test_y# 分類したものを描画する
colors = ['blue', 'red']
for i in range(len(train_X)):
plt.plot(train_X[i][0], train_X[i][1], 'o', color=colors[train_y[i]])
plt.annotate(i, (train_X[i][0], train_X[i][1]), size=20)
# テストデータ。0か1かどっちだろう？
# test_X = np.array([[30, 60]])
test_X = np.array([[30, 60], [90, 90], [50, 50], [60, 40]])
# test_Xを描画する
# plt.plot(test_X[0][0], test_X[0][1], 'x', color='black')
# plt.annotate('test', (test_X[0][0], test_X[0][1]), size=20)
# 学習する
clf = svm.SVC(gamma=0.01, C=1)
clf.fit(train_X, train_y)
# 分類する
test_y = clf.predict(test_X)
# test_y
# text_yを描画する
for i in range(len(test_X)):
plt.plot(test_X[i][0], test_X[i][1], 'x', color=colors[test_y[i]])
plt.annotate('test', (test_X[i][0], test_X[i][1]), size=20)
# 決定境界を描画する
x = np.linspace(0, 100, 30)
y = np.linspace(0, 100, 30)
yy, xx = np.meshgrid(y, x)
xy = np.vstack([xx.ravel(), yy.ravel()]).T
P = clf.decision_function(xy).reshape(xx.shape)
plt.contour(xx, yy, P, colors='k',
levels=[0], alpha=0.5,
linestyles=['-'])
- Matplotlib（マトプロットリブ） ... グラフ描画のライブラリ
https://matplotlib.org/
- scikit-learn（サイキットラーン）... 機械学習ライブラリ
https://scikit-learn.org/stable/
- サポートベクターマシン、通称SVM(エスブイエム)
https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
- sklearn.model_selection.train_test_split
https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html
- LibROSA（リブロサ）... 音声データを扱うライブラリ
https://librosa.org/librosa/
- librosa.display
https://librosa.org/doc/latest/generated/librosa.display.specshow.html
- numpy ... 数値計算ライブラリ
https://numpy.org/ja/