質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.02%

sklearnのfit()による予測値と正解データの比較

受付中

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 1,806

 環境

Python 3.7
scikit-learn 0.19.1
pandas 0.20.3
numpy 1.13.3

 質問

下記コードの「# 予測データと正解データの比較」に関して、model.fit()などで予測を行った後、予測データとtest用の正解データ(下記コードでいうところのy_test)の比較をしたいのです。
しかしながら、fit()により返されたデータはおそらくその時点でインデックスが再度発行させており、元のtest用の正解データy_testのインデックスとデータの相関関係がことなるため、例えば下記のようにpandasのDataFrameをconcatすることで比較するといったことができません。
要は「test用の正解データのインデックスをfit()の前後で保持する」など、どのような方法でも構いませんが、データの相関関係を保った状態で比較する方法はありますでしょうか。

 ソースコード

import urllib.request as req
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# irisデータ読み込み
iris = load_iris()
X = pd.DataFrame(iris.data, columns=iris.feature_names)
y = pd.DataFrame(iris.target)

# データ確認
display(X)
display(y)

# hold-out データ分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.4,shuffle = True,
                                                    random_state=1)

# モデル宣言
clf = SVC()
clf.fit(X_train, y_train)

# データ予測
y_pred = clf.predict(X_test)
print("正解率 = " , accuracy_score(y_test, y_pred))

# 予測データと正解データの比較
y_pred = pd.Series(y_pred)

result = pd.concat([y_test, y_pred], axis=1)

pd.set_option('display.max_rows', 500)
display(result)
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

+1

最初からnumpy配列として取り扱った方がスマートなコードになると思います。

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# irisデータ読み込み
iris = load_iris()
X = iris.data
y = iris.target

# hold-out データ分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.4,shuffle = True,
                                                    random_state=1)

# モデル宣言
clf = SVC()
clf.fit(X_train, y_train)

# データ予測
y_pred = clf.predict(X_test)
print("正解率 = " , accuracy_score(y_test, y_pred))

# 予測データと正解データの比較
result = pd.DataFrame({"true":y_test, "pred":y_pred})
print(result)

 追記

あとから気づいたのですが、元のコードで

y_pred = pd.Series(y_pred)

の行を

y_pred = pd.Series(y_pred, index=y_test.index)

としてindexを揃えてやれば、あとは特に変更なく比較できそうですね・・・。

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/10/15 13:19

    ありがとうございます!
    clf.predict()前後でのデータのインデックスの整合性が取れなくなる原因は、データ形式がnumpy配列かpandasのDataFrame型かといったところにあるのでしょうか。

    キャンセル

  • 2018/10/15 13:24 編集

    predict()の返り値の型はnumpy配列で、それをSeriesに変換するとindexが0からの連番で振られます。
    最初からpandasのようなindexの概念のないnumpy配列で取り扱えば、問題なく結合できます。
    また、Seriesにするときに明示的にindexをy_testと揃えても良いです。その方法を今追記しました。

    キャンセル

  • 2018/10/15 14:33

    いやめちゃんこ解決しました。本当にありがとうございました。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.02%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる