回答編集履歴
1
d
answer
CHANGED
|
@@ -11,25 +11,54 @@
|
|
|
11
11
|
scikit-learn を使用する場合、StandardScaler の transform をテストデータに対しても適用すればよいです。
|
|
12
12
|
pickle で保存する際は SVM オブジェクトの他、StandardScaler オブジェクトも保存します。
|
|
13
13
|
|
|
14
|
+
## 学習時
|
|
15
|
+
|
|
14
16
|
```python
|
|
17
|
+
import pickle
|
|
18
|
+
|
|
19
|
+
import numpy as np
|
|
15
20
|
from sklearn import svm
|
|
16
21
|
from sklearn.datasets import make_blobs
|
|
17
22
|
from sklearn.model_selection import train_test_split
|
|
18
23
|
from sklearn.preprocessing import StandardScaler
|
|
19
24
|
|
|
20
25
|
# データセットを作成する。
|
|
21
|
-
X, y = make_blobs(n_samples=
|
|
26
|
+
X, y = make_blobs(n_samples=1000, centers=2, random_state=0)
|
|
22
|
-
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.15)
|
|
23
27
|
|
|
28
|
+
# ホールドアウト分割する。
|
|
29
|
+
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.15, stratify=y, random_state=0)
|
|
30
|
+
|
|
31
|
+
# テストデータは保存しておく。
|
|
32
|
+
np.savez("test.npz", X=X_test, y=y_test)
|
|
33
|
+
|
|
24
|
-
# 標準化する。
|
|
34
|
+
# 学習データを標準化する。
|
|
25
35
|
sc = StandardScaler()
|
|
26
36
|
X_train_std = sc.fit_transform(X_train)
|
|
27
37
|
|
|
28
38
|
# 学習する。
|
|
29
|
-
clf = svm.LinearSVC(C=1)
|
|
39
|
+
clf = svm.LinearSVC(C=1, random_state=0)
|
|
30
40
|
clf.fit(X_train_std, y_train)
|
|
31
41
|
|
|
32
|
-
#
|
|
42
|
+
# 保存する。
|
|
43
|
+
pickle.dump(clf, open("svm.pickle", "wb"))
|
|
44
|
+
pickle.dump(sc, open("scaler.pickle", "wb"))
|
|
45
|
+
```
|
|
46
|
+
|
|
47
|
+
## 推論時
|
|
48
|
+
|
|
49
|
+
```python
|
|
50
|
+
import pickle
|
|
51
|
+
|
|
52
|
+
import numpy as np
|
|
53
|
+
|
|
54
|
+
# 読み込む。
|
|
55
|
+
clf = pickle.load(open("svm.pickle", "rb"))
|
|
56
|
+
sc = pickle.load(open("scaler.pickle", "rb"))
|
|
57
|
+
test_data = np.load("test.npz")
|
|
58
|
+
|
|
59
|
+
# テストデータを標準化する。
|
|
33
|
-
X_test_std = sc.transform(
|
|
60
|
+
X_test_std = sc.transform(test_data["X"])
|
|
61
|
+
|
|
62
|
+
# 予測する。
|
|
34
63
|
y_pred = clf.predict(X_test_std)
|
|
35
64
|
```
|