fetch_lfw_peopleのimport¶
- linearSVCを用いて分類学習を行う
- Hold-out Validationを用いてモデルの評価を行う（train_test_split）
In [1]:
from sklearn.datasets import fetch_lfw_people
from sklearn.model_selection import train_test_split
from sklearn import svm
from matplotlib import pyplot as plt
import numpy as np
画像ロード¶
- data :画像数は1140個。1画像は2914（ 縦62×横47）
- imges :画像形式の配列（各dataをreshape(62,47)した形態）
- target :分類結果（dataを分類した場合の正解データになる値）
- target_names : 分類結果（target）の値に対応する人物名（文字列）
In [21]:
lfw = fetch_lfw_people(data_home='./scikit_learn_data/', min_faces_per_person=100, resize=0.5)
print('lfw:',lfw.keys())
print('data:',lfw.data.shape)
print('images:',lfw.images.shape)
print('target:',lfw.target.shape)
print('target_names:',lfw.target_names)
データを学習用データと検証用データに分ける¶
- 1/4を検証用データとする
In [19]:
X = lfw.data
y = lfw.target
X_train, X_test, y_train, y_test = train_test_split(lfw.data, lfw.target, test_size=0.25, random_state=0)
In [30]:
# 学習用データ数と検証用データ数
print('num of train data:', X_train.shape[0],
'\nnum of test data:', X_test.shape[0])
In [22]:
v,h = lfw.images.shape[1:3] # 画像の垂直・水平サイズを保持する
n_train = X_train.shape[0] # 学習データ数を保持する
少しデータを覗いておきましょう。¶
In [9]:
for i in range(10):
subplt = plt.subplot(2,5, i+1)
subplt.imshow(X_train.reshape(n_train,v,h)[i], cmap='gray')
plt.show()
学習モデルを定義して学習させてみましょう。¶
In [40]:
linSVC=svm.LinearSVC(verbose=1)
In [41]:
linSVC.fit(X_train, y_train)
Out[41]:
収束しませんでした(-.-) とのWarningが出たので、max_iterを増やしてみた。¶
In [43]:
linSVC.max_iter=10000
linSVC.fit(X_train, y_train)
Out[43]:
でも、やっぱりダメ。単純に回数増やしても収束しないようです。一旦置いておきましょう。¶
現状のモデルで、検証用データで予測値と正解を比較してみました。¶
- ところどころ違いますね・・・。
In [48]:
linSVC.predict(X_test) # 学習結果での予測
Out[48]:
In [49]:
y_test # 正解
Out[49]:
In [46]:
linSVC.score(X_train,y_train)
Out[46]:
In [47]:
linSVC.score(X_test,y_test)
Out[47]: