• バックアップ一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 次世代IT人材育成セミナー2018/第2回 へ行く。
  • 1 (2018-11-24 (土) 18:49:41)
  • 2 (2018-11-24 (土) 21:39:31)
  • 3 (2018-11-25 (日) 02:03:12)
  • 4 (2018-12-15 (土) 18:44:49)
  • 5 (2018-12-15 (土) 20:01:30)

---

第2回 †

Jyputer Notebookの使い方 †

• スタートメニューからAnaconda3->Jupyter Notebookを選ぶ。
• フォルダリストが表示される。
  • このフォルダリストは/Users/
• kisa-seminarというフォルダを作る。
• リロードすると、Jyputer Notebookにkisa-seminarが表示される。
• kisa-seminar-をクリック

論理演算の学習（教科書p.62～） †

• New->Python3で新規ノートブックを作る。
• p.62のソースコードを入力する。
• Sfift+Enterで実行する。
  • エラーが出たらソースを修正する。
• 3入力に変えてみる→なぜか学習されない。
  • 入力が少ないのか？
  • パターンを3回繰り返したら学習できた。
• 2入力のORでも学習できる。
• 2入力のXORは学習できない。
• 分類器をLinearSVCからKNeighborsClassifierに変えてみる。（p.66のソース）
• 学習可能になった。
  • 3入力のANDも学習可能だった。

アヤメの分類（教科書p.68～） †

• 新しいノートを開く。（名前をIrisとする）
• p.74のソースを入力する。

  import pandas as pd
  from sklearn.model_selection import train_test_split
  from sklearn.svm import SVC
  from sklearn.metrics import accuracy_score
  
  iris_data=pd.read_csv("iris.csv",encoding="utf-8")
  y=iris_data.loc[:,"Name"]
  x=iris_data.loc[:,["SepalLength","SepalWidth","PetalLength","PetalWidth"]]
  x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,train_size=0.8,shuffle=True)
  
  clf=SVC()
  clf.fit(x_train,y_train)
  
  y_pred=clf.predict(x_test)
  print("正解率=",accuracy_score(y_test,y_pred))

• 正解率が97%くらいであることを確認する。

ワインの分類（教科書p.79～） †

• ランダムフォレストを使ってワインの品質を分類する。
• ソースコードは以下の通り。

  import pandas as pd
  from sklearn.model_selection import train_test_split
  from sklearn.ensemble import RandomForestClassifier
  from sklearn.svm import SVC,LinearSVC
  from sklearn.neighbors import KNeighborsClassifier
  from sklearn.metrics import accuracy_score,classification_report
  
  wine=pd.read_csv("wine/winequality-white.csv",sep=";",encoding="utf-8")
  y=wine["quality"]
  x=wine.drop("quality",axis=1)
  x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2)
  
  model=RandomForestClassifier()
  #model=LinearSVC()
  #model=SVC()
  #model=KNeighborsClassifier()
  model.fit(x_train,y_train)
  
  y_pred=model.predict(x_test)
  print(classification_report(y_test,y_pred))
  print("正解率=",accuracy_score(y_test,y_pred))

• モデルを変えると性能が変化する。
  • いずれもあまり良い性能とは言えない。
• ランクを3段階に変えてみる。

  import pandas as pd
  from sklearn.model_selection import train_test_split
  from sklearn.ensemble import RandomForestClassifier
  from sklearn.svm import SVC,LinearSVC
  from sklearn.neighbors import KNeighborsClassifier
  from sklearn.metrics import accuracy_score,classification_report
  
  wine=pd.read_csv("wine/winequality-white.csv",sep=";",encoding="utf-8")
  y=wine["quality"]
  x=wine.drop("quality",axis=1)
  newlist=[]
  for v in list(y):
      if v<=4:
          newlist+=[0]
      elif v<=7:
          newlist+=[1]
      else:
          newlist+=[2]
  y=newlist
  x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2)
  
  model=RandomForestClassifier()
  #model=LinearSVC()
  #model=SVC()
  #model=KNeighborsClassifier()
  model.fit(x_train,y_train)
  
  y_pred=model.predict(x_test)
  print(classification_report(y_test,y_pred))
  print("正解率=",accuracy_score(y_test,y_pred))

• 正解率が向上したことを確認する。

気象データの解析 †

• 気象庁のサイトから10年分の気温データをダウンロードする。（"kion/data.csv"）
• 形を整える。（"kion/kion10y.csv"）
• ソースコードは以下の通り。

  import pandas as pd
  df=pd.read_csv("kion/kion10y.csv",encoding="utf-8")
  
  md={}
  for i,row in df.iterrows():
      m,d,v=(int(row['月']),int(row['日']),float(row['気温']))
      key=str(m)+"/"+str(d)
      if not(key in md):
          md[key]=[]
      md[key]+=[v]
  
  avs={}
  for key in md:
      v=avs[key]=sum(md[key])/len(md[key])
      print("{0} : {1}".format(key,v))

回帰分析について †

なぜ温度の予測に回帰分析を使っているのかの説明。

• 以下のコードを入力する

  import numpy as np
  import scipy.stats as st
  import sklearn.linear_model as lm
  import matplotlib.pyplot as plt
  %matplotlib inline
  
  f=lamnda x:np.exp(3**x)
  x_tr=np.linspace(0.,2,200)
  y_tr=f(x_tr)
  
  x=np.array([0,.1,.2,.5,.8,.9,1])
  y=f(x)+np.random.randn(len(x))
  
  plt.plot(x_tr[:100],y_tr[:100],'--k')
  plt.plot(x,y,'ok',ms=10)
  
  lr=lm.LinearRegression()
  lr.fit(x[:,np.newaxis],y)
  y_lr=lr.predict(x_tr[:,np.newaxis])
  
  plt.plot(x_tr,y_tr,'--k')
  plt.plot(x_tr,y_lr,'g')
  plt.plot(x,y,'ok',ms=10)
  plt.xlim(0,1)
  plt.ylim(y.min()-1,y.max()+1)
  plt.title("Linear regression")
  
  lrp=lm.LinearRegression()
  plt.plot(x_tr,y_tr,'--k')
  for deg in [2,5]:
      lrp.fit(np.vander(x,deg+1),y)
      y_lrp=lrp.predict(np.vander(x_tr,deg+1))
      plt.plot(x_tr,y_lrp,label='degree '+str(deg))
      plt.legend(loc=2)
      plt.xlim(0,1.4)
      plt.ylim(-10,40)
      print(' '.join(['%.2f' % c for c in lrp.coef_]))
  plt.plot(x,y,'ok',ms=10)
  plt.title("Lienar regression")

サクラエディターのインストール †

• https://sakura-editor.github.io/download.html

Bracketsのインストール †

• http://brackets.io/

アヤメの種類教えての作成 †

アヤメの４つのパラメータを入力すると、アヤメの種類を類推して返すアプリを作成すっる。

• index.html

  <!doctype html>
  <html>
  
  <head>
      <meta charset="utf-8">
      <title>アヤメの種類教えて</title>
      <script type="text/javascript" src="js/jquery-3.3.1.min.js"></script>
      <script type="text/javascript" src="js/my.js"></script>
  </head>
  
  <body>
      <h1>アヤメの種類教えて</h1>
      <p>４つの数値からアヤメの種類を推定して教えます。</p>
      <p>がく片の長さ：<input type="text" size=10 id="SepalLength" /></p>
      <p>がく片の幅　：<input type="text" size=10 id="SepalWidth" /></p>
      <p>花びらの長さ：<input type="text" size=10 id="PetalLength" /></p>
      <p>花びらの幅　：<input type="text" size=10 id="PetalWidth" /></p>
      <p><button id="bt_teachme">教えて！</button></p>
      <hr>
      <p id="answer"></p>
  </body>
  
  </html>

• js/my.js

  $(function () {
      $("#bt_teachme").click(function () {
          $.ajax({
                  url: "php/my.php",
                  type: "POST",
                  data: {
                      SepalLength: $("#SepalLength").val(),
                      SepalWidth: $("#SepalWidth").val(),
                      PetalLength: $("#PetalLength").val(),
                      PetalWidth: $("#PetalWidth").val()
                  },
                  dataType: "json",
                  timeout: 5000,
              })
              .done(function (data) {
                  $("#answer").text("sl=" + data.sl +
                      " sw=" + data.sw +
                      " pl=" + data.pl +
                      " pw=" + data.pw);
              })
              .fail(function (data) {
                  $("#answer").text("わかりません");
              });
      });
  })

• php/my.php

  <?php
  $sl=$_POST['SepalLength'];
  $sw=$_POST['SepalWidth'];
  $pl=$_POST['PetalLength'];
  $pw=$_POST['PetalWidth'];
  
  $data=array(
      "sl"=>$sl,
      "sw"=>$sw,
      "pl"=>$pl,
      "pw"=>$pw
  );
  echo json_encode($data);
  ?>

ここまでで、「教えて」ボタンを押すと、入力した数値が戻ってくる。

次世代IT人材育成セミナー?

     

Site admin: fuchida

PukiWiki 1.5.1 © 2001-2016 PukiWiki Development Team. Powered by PHP 7.4.33. HTML convert time: 0.010 sec. login