機械学習のひとつである決定木を使ってみましょう。
環境構築は、【2020年最新】Anacondaのインストール方法
tree = DecisionTreeClassifier() tree.fit(X, y)
基本的にはこのコードで決定木による学習が完了します。
１行目で決定木を使うと指定しています。
２行目で学習しています。
Xは説明変数（例：客数、商品単価、天気、商品ラインナップ、営業時間）
ｙは目的変数（例：売上）
たった２行で機械学習ができるんですか
結果を正解率でみてみましょう。
print("Accuracy on training set: {:.3f}".format(tree.score(X, y)))
Accuracy on training set: 1.000
これは、100％の正解率ということですよね
すごい、さすが機械学習
機械学習が強力なのは確かですが、100％はあり得ません。
これは、学習に用いているデータで、結果を評価しているためです。
試験問題を使って、勉強しているようなものです（カンニングですね）
過学習、オーバーフィッティングといわれています。
これを避けるために、一般的には訓練用のデータとテスト用（結果の評価用）のデータを分ける必要があります。
from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state = 0)
X（説明変数）をX_train（訓練用）とX_test（テスト用）に分けています。
from sklearn.tree import DecisionTreeClassifier tree = DecisionTreeClassifier() tree.fit(X_train, y_train)
この１行目は決定木を使うために必要なコードです。決定木の計算機を使えるようにするイメージですね。
print("Accuracy on training set: {:.3f}".format(tree.score(X_train, y_train))) # 訓練セットの精度
print("Accuracy on test set: {:.3f}".format(tree.score(X_test, y_test))) # テストセットの精度
Accuracy on training set: 1.000
Accuracy on test set: 0.974
こんどは、訓練に使用したデータは正解率100％、訓練に使用していないテストデータは97.4％でした。
やっぱりすごい正解率ですね。
決定木の特徴として、結果が分かりやすいことがあげられます。名前の通り樹上図のような図を描くことができます。
from pydotplus import graph_from_dot_data
from sklearn.tree import export_graphviz
from IPython.display import Image
dot_data = export_graphviz(tree,
filled = True,
rounded = True,
class_names = iris.target_names,
feature_names = iris.feature_names,
out_file = None)
# 決定木のプロットを出力
graph = graph_from_dot_data(dot_data)
graph.write_png('tree.jpg')
Image(graph.create_png())
こんな図がでてきます。
英語で分かりにくいですが、ここで、このデータについて少し説明します。
これは、機械学習を学ぶときに一番最初に出会うデータである、アイリスという花の種類とガクの長さ、ガクの幅、花弁の長さ、花弁の幅のデータです。
目的変数
- setosa
- versicolor
- virginica
上の図の value の位置に対応しています。たとえば、左下の紫色の枠に、value =[0, 0, 3] とあります。これは、viginicaが３つあることということです。valueの下にclassがあり、花の種類に対応しています。
説明変数
- ガクの長さ（sepal length）
- ガクの幅（sepal width）
- 花弁の長さ（petal length）
- 花弁の幅（petal width）
では、図の説明に入ります。
一番上の枠の一番上に「petal length(cm)<=2.35」とあります。これは花弁の長さが2.35㎝以下かどうかを示しています。以下ならTrueの方向へ、そうでないならFalseの方へ進みます。それを分岐がなくなるまで繰り返します。
数値で分けているので、非常に理解しやすいですね。また、新たなデータで予測したいときに、判断しやすいです。
以下の図では、視覚的にも分かりやすくできます。
from dtreeviz.trees import dtreeviz
viz = dtreeviz(tree,
X_train,
y_train,
target_name='variety',
feature_names=iris.feature_names,
class_names=iris. target_names.tolist(),
orientation='LR'
)
display(viz)
画質が悪いですが、さきほどの図と同じ内容です。
分岐点がグラフで、ｘ軸にある▲が分岐ポイントです。
今回提示したコードだけでは、今回の結果は出せません、
from sklearn.datasets import load_iris
iris = load_iris()
import warnings
warnings.filterwarnings('ignore')
X = iris.data y = iris.target
最初にこのコードを書く必要があります。
非常に分かりやすく、今後の判断材料になる機械学習の方法だと思います。
コメント