機械学習記7日目 ～ 機械学習用データ
〇ひとこと
機械学習の勉強をはじめてから、今日で1週間が経過しました。早いものです。。。
「進捗が........やばい！」
▶機械学習用データ
本格的な機械学習の実験を行うためには、それなりのデータが必要になります。
ネット上には、機械学習用のサンプルデータがいくつも落ちていますが、まずはscikit-learnに付属しているデータを使うことにします。
まず、iris(アイリス)という「アヤメ」(花)のデータセットを調べます。
▶irisデータセット
irisデータセットは、統計分析や機械学習のサンプルとして有名で、機械学習の入門にはなくてはならないデータセットです。irisデータセットの読み込みは、専用のload＿iris関数があるので、これを利用します。
scikit-learnのドキュメントによると、ここで取得したirisデータは、scikit-learnで定義されているBunchクラスのオブジェクトになっています。(図1)
データはタプルで'data','target'などのキーで取得するようです。'DESCR'キーでirisデータセットの説明を表示してみます。(図2)
表示を見ると、アヤメのデータは「150個」、単位は「センチメートル」と書いてあります。「Iris-Setosa」(アイリス-セトサ)「Iris-Versicolour」(アイリス-バーシクル)「Iris-Virginica」(アイリス-バージニカ)の３種類のアヤメのSepal(がく片)とPetal(花弁)のlength(長さ)およびwidth(幅)を計測したデータになっています。
では、'DESCR'以外のキーに、何があるか調べます。
'DESCR'以外に'data'、'target'、'target_names'、'feature_names'というキーがあります。それぞれのデータを表示してみます。
'data'キーは、アヤメの特徴データです。順番は、がく片の長さ、がく片の長さ、がく片の幅、花弁の長さ、花弁の幅です。
ものすごい数のデータが表示されます。
'target'キーを表示すると、150個の数字が出てきました。０，１，２の3種類の数字が50個ずつあるので、アヤメの種類を示しているようです。
それぞれの名前を'target'キーで確認します。０がsetosaのデータ、１がversicolorのデータ、２がverginiaのデータということです。
最後の'feature_names'キーは何でしょうか。featureは「特徴」のことなので、各特徴データにつけられた名前のようです。
PandasのDataFrameで表示してみます。
irisのデータセットが、どのような構成かわかりました(図3)。
