質問編集履歴
1
ＰＧＭの全文を開示いたしました。
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -1,20 +1,164 @@
|
|
|
1
|
-
サポートベクターマシンで学習済のモデルを、再利用すると、結果が異なってしまいます
|
|
1
|
+
サポートベクターマシンで学習済のモデルを、再利用すると、結果が異なってしまいます
|
|
2
|
+
|
|
3
|
+
（[0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 ]などの２値結果です）。
|
|
4
|
+
|
|
5
|
+
|
|
2
6
|
|
|
3
7
|
データは同じなのですが、なぜでしょうか？
|
|
4
8
|
|
|
9
|
+
以下、ＰＧＭの全文です。結果（２値）も掲示しました。
|
|
10
|
+
|
|
5
11
|
|
|
6
12
|
|
|
7
13
|
ご指導頂ければ助かります。
|
|
8
14
|
|
|
9
15
|
|
|
10
16
|
|
|
11
|
-
－－－－
|
|
17
|
+
**－－－－
|
|
12
|
-
|
|
18
|
+
|
|
13
|
-
|
|
19
|
+
①学習→学習済モデルを保存→ロード→未知データで結果確認
|
|
20
|
+
|
|
14
|
-
|
|
21
|
+
（ロジスティック回帰分析→サポートベクターマシンの順番で処理しています。）
|
|
22
|
+
|
|
15
|
-
－－－－
|
|
23
|
+
－－－－**
|
|
24
|
+
|
|
16
|
-
|
|
25
|
+
```from pandas import Series,DataFrame
|
|
26
|
+
|
|
17
|
-
|
|
27
|
+
import pandas as pd
|
|
28
|
+
|
|
29
|
+
|
|
30
|
+
|
|
31
|
+
# エクセルの入力ファイル名、シート名を指定
|
|
32
|
+
|
|
33
|
+
df_X = pd.read_excel('target+notarget.xlsx',sheet_name='説明変数')
|
|
34
|
+
|
|
35
|
+
df_Y = pd.read_excel('target+notarget.xlsx',sheet_name='目的変数')
|
|
36
|
+
|
|
37
|
+
|
|
38
|
+
|
|
39
|
+
# 読み込んだデータを表示する
|
|
40
|
+
|
|
41
|
+
df_X.head()
|
|
42
|
+
|
|
43
|
+
|
|
44
|
+
|
|
45
|
+
# 条件のデータを表示する
|
|
46
|
+
|
|
47
|
+
df_Y.head()
|
|
48
|
+
|
|
49
|
+
|
|
50
|
+
|
|
51
|
+
#訓練データと評価用データに分割
|
|
52
|
+
|
|
53
|
+
from sklearn.model_selection import train_test_split as split
|
|
54
|
+
|
|
55
|
+
x_train, x_test, y_train, y_test = split(df_X,df_Y,train_size=0.8,test_size=0.2)
|
|
56
|
+
|
|
57
|
+
|
|
58
|
+
|
|
59
|
+
#教師あり学習の実行(ロジスティック回帰)
|
|
60
|
+
|
|
61
|
+
from sklearn.linear_model import LogisticRegression
|
|
62
|
+
|
|
63
|
+
model= LogisticRegression()
|
|
64
|
+
|
|
65
|
+
model.fit(x_train,y_train)
|
|
66
|
+
|
|
67
|
+
|
|
68
|
+
|
|
69
|
+
# 評価と精度の計算
|
|
70
|
+
|
|
71
|
+
from sklearn import metrics
|
|
72
|
+
|
|
73
|
+
|
|
74
|
+
|
|
75
|
+
#評価の実行
|
|
76
|
+
|
|
77
|
+
y_pred = model.predict(x_test)
|
|
78
|
+
|
|
79
|
+
|
|
80
|
+
|
|
81
|
+
# 精度の計算
|
|
82
|
+
|
|
83
|
+
print(metrics.accuracy_score(y_test,y_pred))
|
|
84
|
+
|
|
85
|
+
|
|
86
|
+
|
|
87
|
+
# ここから、ＳＶＭ
|
|
88
|
+
|
|
89
|
+
|
|
90
|
+
|
|
91
|
+
# scikit-learn ライブラリの読み込み
|
|
92
|
+
|
|
93
|
+
from sklearn import datasets
|
|
94
|
+
|
|
95
|
+
|
|
96
|
+
|
|
97
|
+
# 学習器の作成。SVMというアルゴリズムを選択
|
|
98
|
+
|
|
99
|
+
from sklearn import svm
|
|
100
|
+
|
|
101
|
+
clf = svm.SVC()
|
|
102
|
+
|
|
103
|
+
|
|
104
|
+
|
|
105
|
+
# 訓練データとラベルで学習
|
|
106
|
+
|
|
107
|
+
clf.fit(x_train, y_train)
|
|
108
|
+
|
|
109
|
+
|
|
110
|
+
|
|
111
|
+
# テストデータで試した正解率を返す
|
|
112
|
+
|
|
113
|
+
accuracy = clf.score(x_test, y_test)
|
|
114
|
+
|
|
115
|
+
print(f"正解率⇒ {accuracy}")
|
|
116
|
+
|
|
117
|
+
|
|
118
|
+
|
|
119
|
+
正解率⇒ 0.825
|
|
120
|
+
|
|
121
|
+
classification report
|
|
122
|
+
|
|
123
|
+
precision recall f1-score support
|
|
124
|
+
|
|
125
|
+
|
|
126
|
+
|
|
127
|
+
0 0.00 0.00 0.00 7
|
|
128
|
+
|
|
129
|
+
1 0.82 1.00 0.90 33
|
|
130
|
+
|
|
131
|
+
|
|
132
|
+
|
|
133
|
+
accuracy 0.82 40
|
|
134
|
+
|
|
135
|
+
macro avg 0.41 0.50 0.45 40
|
|
136
|
+
|
|
137
|
+
weighted avg 0.68 0.82 0.75 40
|
|
138
|
+
|
|
139
|
+
|
|
140
|
+
|
|
141
|
+
# 学習済モデルを使ってテストデータを分類した結果を返す
|
|
142
|
+
|
|
143
|
+
predicted = clf.predict(x_test)
|
|
144
|
+
|
|
145
|
+
|
|
146
|
+
|
|
147
|
+
# 詳しいレポート
|
|
148
|
+
|
|
149
|
+
# precision(適合率): 選択した正解/選択した集合
|
|
150
|
+
|
|
151
|
+
# recall(再現率) : 選択した正解/全体の正解
|
|
152
|
+
|
|
153
|
+
# F-score(F値) : 適合率と再現率はトレードオフの関係にあるため
|
|
154
|
+
|
|
155
|
+
print("classification report")
|
|
156
|
+
|
|
157
|
+
print(metrics.classification_report(y_test, predicted))
|
|
158
|
+
|
|
159
|
+
|
|
160
|
+
|
|
161
|
+
# モデルを保存する
|
|
18
162
|
|
|
19
163
|
import pickle
|
|
20
164
|
|
|
@@ -26,10 +170,16 @@
|
|
|
26
170
|
|
|
27
171
|
|
|
28
172
|
|
|
173
|
+
# 保存したモデルをロードする
|
|
174
|
+
|
|
29
175
|
loaded_model = pickle.load(open(filename, 'rb'))
|
|
30
176
|
|
|
31
177
|
|
|
32
178
|
|
|
179
|
+
# 未知データを学習済モデル（ＳＶＭ）で分類
|
|
180
|
+
|
|
181
|
+
|
|
182
|
+
|
|
33
183
|
import numpy as np
|
|
34
184
|
|
|
35
185
|
df1 = pd.read_excel('target+notarget_未知.xlsx',sheetname='説明変数')# 未知データのエクセル読み込み
|
|
@@ -42,27 +192,63 @@
|
|
|
42
192
|
|
|
43
193
|
|
|
44
194
|
|
|
195
|
+
C:\python\anaconda\pgm\lib\site-packages\pandas\util\_decorators.py:188: FutureWarning: The `sheetname` keyword is deprecated, use `sheet_name` instead
|
|
196
|
+
|
|
197
|
+
return func(*args, **kwargs)
|
|
198
|
+
|
|
199
|
+
[[ 10.07129 11.51457 11.76082 ... -8.489728 -8.04093
|
|
200
|
+
|
|
201
|
+
-7.381762 ]
|
|
202
|
+
|
|
203
|
+
[ -1.14947 0.02524982 1.102695 ... -10.32178 -13.35207
|
|
204
|
+
|
|
205
|
+
-14.82256 ]
|
|
206
|
+
|
|
207
|
+
[ 2.846096 3.02329 2.520598 ... 3.910414 6.817744
|
|
208
|
+
|
|
45
|
-
|
|
209
|
+
8.904238 ]
|
|
210
|
+
|
|
46
|
-
|
|
211
|
+
...
|
|
212
|
+
|
|
213
|
+
[ 0.4724252 -1.992815 -3.942807 ... 0.5846236 0.8689489
|
|
214
|
+
|
|
215
|
+
0.7559054 ]
|
|
216
|
+
|
|
217
|
+
[ 3.245025 3.993944 4.170406 ... -3.836895 -6.829057
|
|
218
|
+
|
|
219
|
+
-9.500171 ]
|
|
220
|
+
|
|
221
|
+
[ 3.627492 4.49755 4.667884 ... -11.4468 -10.76785
|
|
222
|
+
|
|
47
|
-
0 0 0 0 0 0 0
|
|
223
|
+
-9.549679 ]] [0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0
|
|
224
|
+
|
|
48
|
-
|
|
225
|
+
0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
|
|
226
|
+
|
|
49
|
-
1
|
|
227
|
+
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
|
|
228
|
+
|
|
50
|
-
|
|
229
|
+
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
|
|
230
|
+
|
|
51
|
-
|
|
231
|
+
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
|
|
232
|
+
|
|
52
|
-
|
|
233
|
+
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
|
|
234
|
+
|
|
53
|
-
|
|
235
|
+
```
|
|
54
|
-
|
|
236
|
+
|
|
237
|
+
|
|
238
|
+
|
|
239
|
+
|
|
240
|
+
|
|
55
|
-
－－－－
|
|
241
|
+
**－－－－
|
|
56
|
-
|
|
242
|
+
|
|
57
|
-
|
|
243
|
+
②学習済モデルを再利用（読み込み）して、同じ未知データで結果確認
|
|
58
|
-
|
|
244
|
+
|
|
59
|
-
－－－－
|
|
245
|
+
－－－－**
|
|
60
|
-
|
|
61
|
-
|
|
62
|
-
|
|
246
|
+
|
|
63
|
-
import pickle
|
|
247
|
+
```import pickle
|
|
248
|
+
|
|
249
|
+
|
|
250
|
+
|
|
64
|
-
|
|
251
|
+
# 学習済モデル（ＳＶＭ）のロード（読み込み）（モデルはすでに保存済）
|
|
65
|
-
|
|
66
252
|
|
|
67
253
|
with open('ERP(SVM).sav', mode='rb') as fp:
|
|
68
254
|
|
|
@@ -76,54 +262,62 @@
|
|
|
76
262
|
|
|
77
263
|
|
|
78
264
|
|
|
265
|
+
# 未知データの読み込み
|
|
266
|
+
|
|
79
267
|
df1 = pd.read_excel('target+notarget_未知.xlsx',sheet_name='説明変数')
|
|
80
268
|
|
|
81
269
|
x_test_michi = np.array(df1)
|
|
82
270
|
|
|
271
|
+
|
|
272
|
+
|
|
273
|
+
# 未知データをロードした学習済モデルで予測
|
|
274
|
+
|
|
83
275
|
y_test_michi = clf.predict(x_test_michi)
|
|
84
276
|
|
|
277
|
+
|
|
278
|
+
|
|
85
279
|
print(x_test_michi,y_test_michi)
|
|
86
280
|
|
|
87
281
|
|
|
88
282
|
|
|
283
|
+
[[ 10.07129 11.51457 11.76082 ... -8.489728 -8.04093
|
|
284
|
+
|
|
285
|
+
-7.381762 ]
|
|
286
|
+
|
|
287
|
+
[ -1.14947 0.02524982 1.102695 ... -10.32178 -13.35207
|
|
288
|
+
|
|
289
|
+
-14.82256 ]
|
|
290
|
+
|
|
291
|
+
[ 2.846096 3.02329 2.520598 ... 3.910414 6.817744
|
|
292
|
+
|
|
89
|
-
|
|
293
|
+
8.904238 ]
|
|
294
|
+
|
|
90
|
-
|
|
295
|
+
...
|
|
296
|
+
|
|
297
|
+
[ 0.4724252 -1.992815 -3.942807 ... 0.5846236 0.8689489
|
|
298
|
+
|
|
299
|
+
0.7559054 ]
|
|
300
|
+
|
|
301
|
+
[ 3.245025 3.993944 4.170406 ... -3.836895 -6.829057
|
|
302
|
+
|
|
303
|
+
-9.500171 ]
|
|
304
|
+
|
|
305
|
+
[ 3.627492 4.49755 4.667884 ... -11.4468 -10.76785
|
|
306
|
+
|
|
307
|
+
-9.549679 ]] [0 0 1 0 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1 0
|
|
308
|
+
|
|
309
|
+
0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1
|
|
310
|
+
|
|
91
|
-
|
|
311
|
+
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
|
|
312
|
+
|
|
92
|
-
|
|
313
|
+
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 0
|
|
314
|
+
|
|
93
|
-
1
|
|
315
|
+
1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1
|
|
94
|
-
|
|
95
|
-
|
|
96
|
-
|
|
97
|
-
|
|
316
|
+
|
|
98
|
-
|
|
99
|
-
|
|
100
|
-
|
|
101
|
-
ちなみに、学習時の精度は以下の通りです。
|
|
102
|
-
|
|
103
|
-
正解率⇒ 0.7666666666666667
|
|
104
|
-
|
|
105
|
-
classification report
|
|
106
|
-
|
|
107
|
-
precision recall f1-score support
|
|
108
|
-
|
|
109
|
-
|
|
110
|
-
|
|
111
|
-
|
|
317
|
+
0 1 1 1 1 1 1 1 1 1 1 1 1 1 0]
|
|
112
|
-
|
|
113
|
-
|
|
318
|
+
|
|
114
|
-
|
|
115
|
-
|
|
116
|
-
|
|
117
|
-
|
|
319
|
+
|
|
118
|
-
|
|
119
|
-
|
|
320
|
+
|
|
120
|
-
|
|
121
|
-
weighted avg 0.59 0.77 0.67 60
|
|
122
|
-
|
|
123
|
-
|
|
124
|
-
|
|
125
|
-
よろしくお願いいたします。
|
|
126
|
-
|
|
127
|
-
|
|
128
|
-
|
|
129
|
-
|
|
321
|
+
コード
|
|
322
|
+
|
|
323
|
+
```
|