【ラズパイ】AIを動かす①アヤメの分類(Python3)

今回は，機械学習のライブラリである，scikit-learnを使って，ラズパイ上で簡単な機械学習を行いたいと思います．

環境

sikit-learnの導入

機械学習を行いたいので，機械学習用ライブラリ[scikit-learn]をインストールします．

ターミナルで下のコードを入力します．

$ sudo apt-get install python3-sklearn

準備

データ

今回は，scikit-learn に元々データセットとして入っている，アヤメの分類を行います．

アヤメは英名でirisといい，種類が多く，人間でも見分けることが大変です．

このどれか3つに分けるために，次の4つの特徴量を用います．

• 外花被片の長さ
• 外花被片の幅
• 内花被片の長さ
• 内花被片の幅

これらのデータがscikit-learnのデータセットに入っているので，この4次元ベクトルをサポートベクトルマシンを用いて分類します．

サポートベクターマシンについて

今回用いる機械学習は，サポートベクターマシンです．

これは，以下の図のように2つのクラスに分類する場合，それらがきれいに分かれるような境界線を求める式です．

線形で分離できるものとしたときの境界線は，下図のように直線となります．

これは特徴量が2つの2次元ベクトルで，分類も2種類だけですが，アヤメも同じ概念で分類するものだと考えてください．

実際にやってみよう

Pythonコード

アヤメを分類するPythonのコードは以下のようになります．

from sklearn import datasets, svm

# アヤメのデータをロードし、変数irisに格納
iris = datasets.load_iris()

# 特徴量のセットを変数Xに、正解データを変数yに格納
X = iris.data
y = iris.target

# 分類用にサポートベクトルマシンを用意
clf = svm.SVC(decision_function_shape="ovr",kernel="linear")
# データに最適化
clf.fit(X, y)

# データを分類器に与え、予測を得る
result = clf.predict(X)

print('教師データ')
print(y)
print('機械学習による予測')
print(result)

# データ数をtotalに格納
total = len(X)
# ターゲット（正解）と予測が一致した数をsuccessに格納
success = sum(result==y)

# 正解率をパーセント表示
print('正解率')
print(100.0*success/total)

このコードは，『Raspberry piではじめる機械学習』を参考にしたものです．

データ構造

iris = datasets.load_iris()
X = iris.data
y = iris.target

datasetsモジュールのload_irisメソッドで，データを変数irisに格納します．

データ構造は，次の図のようになっています．

特徴量のデータはiris.data，正解データはiris.targetで取り出せます．

サポートベクターマシン

clf = svm.SVC(decision_function_shape="ovr",kernel="linear")

svmモジュールのSVCクラスのインスタンスを生成する文です．

多クラス分類のため，ovr( one-versus-the-rest )で識別します．また，カーネルは線形とします．

clf.fit(X, y)

SVCクラスのfitメソッドを実行し，特徴量と正解データを用いて，モデルを学習します．

clf.predict(X)

SVCクラスのpredictメソッドを実行し，特徴量だけを与えて，正解を予測します．

今回は簡単のため，学習に用いた特徴量と予測に用いた特徴量が同じですが，実際には違ったものを用います．

結果

正解確率は，99.3%でした．

よって，この線形サポートベクターマシンでは，完全には線形分離できなかったことが分かります．

まとめ

今回は，線形サポートベクターマシンを用いて，アヤメの分類をやってみました．

今後もラズパイ上で，機械学習をどこまで行えるのかを探っていきたいと思います．

ラズパイで機械学習を行ってみたいと思った方は，ぜひこの本がおすすめです．

カラー図解 Raspberry Piではじめる機械学習 基礎からディープラーニングまで (ブルーバックス)

created by Rinker

講談社

¥1,760 (2024/10/02 09:09:31時点 Amazon調べ-詳細)

• Amazon
• 楽天市場

次の記事