回答編集履歴
5
修正
test
CHANGED
|
@@ -63,6 +63,8 @@
|
|
|
63
63
|
from sklearn.pipeline import make_pipeline
|
|
64
64
|
|
|
65
65
|
from sklearn.svm import SVC
|
|
66
|
+
|
|
67
|
+
from sklearn.preprocessing import StandardScaler
|
|
66
68
|
|
|
67
69
|
|
|
68
70
|
|
4
修正
test
CHANGED
|
@@ -12,99 +12,75 @@
|
|
|
12
12
|
|
|
13
13
|
|
|
14
14
|
|
|
15
|
-
##
|
|
15
|
+
### 追記
|
|
16
16
|
|
|
17
17
|
|
|
18
18
|
|
|
19
|
-
|
|
19
|
+
R.Shigemori さんのコメントをみて、マージして確認してみたところ、たしかに最初のサンプルだけ4時刻分しかないようなので、train_time_series.csv の4データとtrain_labels.csvの最初の1データを除いて、374個のサンプルデータにするべきみたいです。
|
|
20
20
|
|
|
21
21
|
|
|
22
22
|
|
|
23
|
-
|
|
23
|
+
#### データ読み込み
|
|
24
|
-
|
|
25
|
-
* モデル: SVM
|
|
26
24
|
|
|
27
25
|
|
|
28
26
|
|
|
29
27
|
```python
|
|
30
28
|
|
|
31
|
-
import n
|
|
29
|
+
import pandas as pd
|
|
30
|
+
|
|
31
|
+
|
|
32
|
+
|
|
33
|
+
# CSV を読みこむ。
|
|
34
|
+
|
|
35
|
+
data = pd.read_csv("train_time_series.csv", skiprows=[1, 2, 3, 4]) # 最初の4行分のデータはスキップ
|
|
36
|
+
|
|
37
|
+
labels = pd.read_csv("train_labels.csv", skiprows=[1]) # 最初の1行分のデータはスキップ
|
|
38
|
+
|
|
39
|
+
|
|
40
|
+
|
|
41
|
+
n_samples = data.shape[0] // 10
|
|
42
|
+
|
|
43
|
+
X = data[["x", "y", "z"]].values.reshape(-1, 10, 3)
|
|
44
|
+
|
|
45
|
+
y = labels["label"].values.astype(int) - 1 # ラベルを 0 始まりにする
|
|
46
|
+
|
|
47
|
+
print(X.shape, y.shape) # (374, 10, 3) (374,)
|
|
48
|
+
|
|
49
|
+
```
|
|
50
|
+
|
|
51
|
+
|
|
52
|
+
|
|
53
|
+
#### SVC の学習サンプル
|
|
54
|
+
|
|
55
|
+
|
|
56
|
+
|
|
57
|
+
```python
|
|
32
58
|
|
|
33
59
|
from sklearn.metrics import accuracy_score
|
|
34
60
|
|
|
35
61
|
from sklearn.model_selection import train_test_split
|
|
36
62
|
|
|
37
|
-
from sklearn.p
|
|
63
|
+
from sklearn.pipeline import make_pipeline
|
|
38
64
|
|
|
39
65
|
from sklearn.svm import SVC
|
|
40
66
|
|
|
41
67
|
|
|
42
68
|
|
|
43
|
-
# データ
|
|
69
|
+
# 学習データとテストデータに分割する。
|
|
44
70
|
|
|
45
|
-
|
|
71
|
+
X_flatten = X.reshape(len(X), -1) # (374, 10, 3) -> (374, 30)
|
|
46
72
|
|
|
47
|
-
|
|
73
|
+
X_train, X_test, y_train, y_test = train_test_split(
|
|
48
74
|
|
|
49
|
-
# * ヘッダースキップ: skiprows=1
|
|
50
|
-
|
|
51
|
-
|
|
75
|
+
X_flatten, y, test_size=0.2, random_state=42
|
|
52
|
-
|
|
53
|
-
X = np.loadtxt(
|
|
54
|
-
|
|
55
|
-
"train_time_series.csv", delimiter=",", usecols=[4, 5, 6], skiprows=1, max_rows=3740
|
|
56
76
|
|
|
57
77
|
)
|
|
58
78
|
|
|
59
79
|
|
|
60
80
|
|
|
61
|
-
# ラベルを読み込む。
|
|
62
|
-
|
|
63
|
-
# * 区切り文字: delimiter=","
|
|
64
|
-
|
|
65
|
-
# * 3列目を使用: usecols=3
|
|
66
|
-
|
|
67
|
-
# * ヘッダースキップ: skiprows=1
|
|
68
|
-
|
|
69
|
-
# * ゲッダー除き、374行分読み込み: max_rows=374
|
|
70
|
-
|
|
71
|
-
y = np.loadtxt(
|
|
72
|
-
|
|
73
|
-
"train_labels.csv", delimiter=",", usecols=3, skiprows=1, max_rows=374, dtype=int
|
|
74
|
-
|
|
75
|
-
)
|
|
76
|
-
|
|
77
|
-
|
|
78
|
-
|
|
79
|
-
X = X.reshape(X.shape[0] // 10, -1) # 形状を変更する。(N * 10, 3) -> (N, 30)
|
|
80
|
-
|
|
81
|
-
y -= 1 # クラス ID を [0, 1, 2, 3] にする。
|
|
82
|
-
|
|
83
|
-
|
|
84
|
-
|
|
85
|
-
# 学習データとテストデータに分割する。
|
|
86
|
-
|
|
87
|
-
X_train, X_test, y_train, y_test = train_test_split(
|
|
88
|
-
|
|
89
|
-
X, y, test_size=0.2, random_state=42
|
|
90
|
-
|
|
91
|
-
)
|
|
92
|
-
|
|
93
|
-
|
|
94
|
-
|
|
95
|
-
# 標準化する。
|
|
96
|
-
|
|
97
|
-
transformer = StandardScaler()
|
|
98
|
-
|
|
99
|
-
X_train = transformer.fit_transform(X_train)
|
|
100
|
-
|
|
101
|
-
X_test = transformer.transform(X_test)
|
|
102
|
-
|
|
103
|
-
|
|
104
|
-
|
|
105
81
|
# SVM で学習する。
|
|
106
82
|
|
|
107
|
-
clf = SVC(gamma="auto")
|
|
83
|
+
clf = make_pipeline(StandardScaler(), SVC(gamma="auto"))
|
|
108
84
|
|
|
109
85
|
clf.fit(X_train, y_train)
|
|
110
86
|
|
|
@@ -114,9 +90,59 @@
|
|
|
114
90
|
|
|
115
91
|
acc = accuracy_score(y_test, y_pred)
|
|
116
92
|
|
|
117
|
-
print(f"{acc:.2%}") #
|
|
93
|
+
print(f"{acc:.2%}") # 66.67%
|
|
118
94
|
|
|
119
95
|
```
|
|
96
|
+
|
|
97
|
+
|
|
98
|
+
|
|
99
|
+
## サンプルを可視化した例
|
|
100
|
+
|
|
101
|
+
|
|
102
|
+
|
|
103
|
+
```python
|
|
104
|
+
|
|
105
|
+
import matplotlib.pyplot as plt
|
|
106
|
+
|
|
107
|
+
import numpy as np
|
|
108
|
+
|
|
109
|
+
from mpl_toolkits.mplot3d import Axes3D
|
|
110
|
+
|
|
111
|
+
|
|
112
|
+
|
|
113
|
+
fig = plt.figure(figsize=(12, 10))
|
|
114
|
+
|
|
115
|
+
|
|
116
|
+
|
|
117
|
+
class_ids = np.unique(y)
|
|
118
|
+
|
|
119
|
+
class_names = ["立つ", "歩く", "階段を下る", "階段を登る"]
|
|
120
|
+
|
|
121
|
+
cols = 5
|
|
122
|
+
|
|
123
|
+
|
|
124
|
+
|
|
125
|
+
for i, class_id in enumerate(class_ids):
|
|
126
|
+
|
|
127
|
+
some_samples = X[np.where(y == class_id)][:cols]
|
|
128
|
+
|
|
129
|
+
for j, sample in enumerate(some_samples):
|
|
130
|
+
|
|
131
|
+
ax = fig.add_subplot(4, cols, i * cols + j + 1, projection="3d")
|
|
132
|
+
|
|
133
|
+
ax.plot(sample[:, 0], sample[:, 1], sample[:, 2])
|
|
134
|
+
|
|
135
|
+
ax.set_title(class_names[class_id])
|
|
136
|
+
|
|
137
|
+
|
|
138
|
+
|
|
139
|
+
plt.show()
|
|
140
|
+
|
|
141
|
+
```
|
|
142
|
+
|
|
143
|
+
|
|
144
|
+
|
|
145
|
+
|
|
120
146
|
|
|
121
147
|
|
|
122
148
|
|
3
修正
test
CHANGED
|
@@ -124,4 +124,6 @@
|
|
|
124
124
|
|
|
125
125
|
|
|
126
126
|
|
|
127
|
+
* 1つのサンプルが10時刻分の x, y, z なので、上記では潰して30次元にしてしまいましたが、時系列データとして扱えるモデルも試すといいかもしれません。
|
|
128
|
+
|
|
127
|
-
標準化やディープラーニングの学習など、ライブラリで代用できるものは独自実装ではなく、ライブラリを使ったほうがいいと思います。数値計算の実装でバグがあったりすると、見つけるのはなかなか大変です。
|
|
129
|
+
* 標準化やディープラーニングの学習など、ライブラリで代用できるものは独自実装ではなく、ライブラリを使ったほうがいいと思います。数値計算の実装でバグがあったりすると、見つけるのはなかなか大変です。
|
2
修正
test
CHANGED
|
@@ -117,3 +117,11 @@
|
|
|
117
117
|
print(f"{acc:.2%}") # 70.67%
|
|
118
118
|
|
|
119
119
|
```
|
|
120
|
+
|
|
121
|
+
|
|
122
|
+
|
|
123
|
+
----
|
|
124
|
+
|
|
125
|
+
|
|
126
|
+
|
|
127
|
+
標準化やディープラーニングの学習など、ライブラリで代用できるものは独自実装ではなく、ライブラリを使ったほうがいいと思います。数値計算の実装でバグがあったりすると、見つけるのはなかなか大変です。
|
1
修正
test
CHANGED
|
@@ -4,9 +4,11 @@
|
|
|
4
4
|
|
|
5
5
|
iris は簡単な問題ですから、適当なモデルを使ってもほぼ100%の精度が出ます。
|
|
6
6
|
|
|
7
|
-
|
|
7
|
+
4クラスなので、完全にランダムに答えたら、25%になるはずですから、60%でも全然ダメということはないと思います。
|
|
8
8
|
|
|
9
|
-
|
|
9
|
+
iris と同じやり方で他のデータセットでも精度が出るということは言えないので、問題に応じて、前処理やモデルをいろいろ試す必要があります。
|
|
10
|
+
|
|
11
|
+
入力が数値データの場合、ディープラーニングがいいとも限らないので、他のモデル等も試してみてください。
|
|
10
12
|
|
|
11
13
|
|
|
12
14
|
|