第6回/演習 の履歴(No.3)

• 履歴一覧
• ソース を表示
• 第6回/演習 は削除されています。
  • 1 (2023-08-08 (火) 11:17:23)
  • 2 (2023-10-31 (火) 04:05:15)
  • 3 (2023-11-03 (金) 00:02:18)
  • 4 (2023-11-03 (金) 10:26:18)
  • 5 (2023-11-10 (金) 10:31:22)
  • 6 (2024-05-07 (火) 10:38:45)

第6回

第6回演習課題†

課題提出のページを熟読したうえで，以下の演習課題に取り組みなさい

以下では，Pythonソースコードの実践により，教師あり学習・分類の理解を深めよう

基礎問題†

Q6-1【乳がんの診断（2値分類）】

• ロジスティック回帰を用いて，乳がんの診断問題を解いてみよう

• 【問い】下記の手順を参考し，Step 3～6 の部分を補充して分類モデルの評価結果を確認せよ

• Step 1: skleanのライブラリから「breast cancer」のデータセットを読み込む

  # Pandasをインポート
  import pandas as pd
  
  # データを読み込み
  from sklearn.datasets import load_breast_cancer
  data_breast_cancer = load_breast_cancer() 
  
  # 【データ内容】↓
  # 説明変数(特徴量データ): data_breast_cancer.data
  ## mean concave points - 細胞にある凹みの平均個数
  ## symmetry error - 細胞の左右の非対称性の度合い
  ## texture error - 細胞表面の明暗の標準偏差
  ## worst radius - 細胞の平均半径
  ## ...
  
  # 目的変数(正解データ): data_breast_cancer.target
  ## class - 腫瘍の判定結果（悪性: 0, 良性: 1）

• Step 2: 特徴量と正解データを指定

  # 特徴量データ
  x = data_breast_cancer.data
  
  # 正解データ
  t = data_breast_cancer.target
  
  # 正解データの次元数を2から1へ
  t = t.reshape(-1) 
  
  ## ↑次元削減しければ，Inputデータの次元が合わないとエラーが出る
  ### A column-vector y was passed when a 1d array was expected

• Step 3: 特徴量の標準化
• Step 4: 訓練データと検証用データに分割　
  • ※ Step 4 のパラメータを（test_size = 0.2, random_state = 0）に指定しなさい
• Step 5: ロジスティック回帰 (logistic regression) による学習　
  • ※ Step 5 のパラメータを（random_state = 0, C = 0.1, multi_class = 'auto', solver = 'lbfgs'）に指定しなさい
• Step 6: 適合率（precision），再現率（recall），F値（f1-score）を一括で計算

応用問題†

Q6-2【手書き数値の認識（多クラス分類）】

• ランダムフォレストを用いて，手書き数値の認識問題を解いてみよう

• 【問い】下記の手順を参考し，Step 2～5 の部分を補充して分類モデルの評価結果を確認せよ

• Step 1：skleanのライブラリから「digits」のデータセットを読み込む

  # データを読み込み
  from sklearn.datasets import load_digits
  data_digits = load_digits()
  
  # 【データ内容】↓
  # 説明変数(特徴量データ): data_digits.data
  ## 図2 (b) のように，正確には画像ではなく数値の配列である
  ## 一つの手書き数字は，１チャネルで表される（モノクロ画像）
  ## 一つの手書き数字は，8×8のサイズで構成され，１次元の配列に格納されている
  ### （横向きにスライスした画像を一列につなげるイメージで，64個の数値 の配列から構成される）
  
  # 目的変数(正解データ): data_digits.target
  ## class - 手書き数値の判定結果（0～9中の一つ）

• Step 2: 特徴量と正解データをそれぞれx, tに定義し，正解データの次元数を2から1へ
• Step 3: 訓練データと検証データに分割
  • ※ Step 3 のパラメータを（test_size = 0.2, random_state = 0）に指定しなさい
• Step 4: ランダムフォレストによる学習
  • ※ Step 4 のパラメータを (n_estimators = 200, random_state = 0) に指定しなさい
• Step 5: 精度 (accuracy)，混同行列 (confution matrix) を確認 (参考：第3回)

発展問題†

Q6-3【分類モデルの性能を更に上げてみよう】

• 多数決アンサンブル分類器を用いて，Q6-2の手書き数値の認識問題を解いてみよう

• 【問い】下記の手順を参考し，Step 1～6 を実行して分類モデルの評価結果を確認せよ
  • Step 1: データを読み込み (Q6-2と同じ)
  • Step 2: 特徴量と正解データをそれぞれx, tに定義し，正解データの次元数を2から1へ
  • Step 3: 訓練データと検証データに分割
    • ※ Step 3 のパラメータを（test_size = 0.2, random_state = 123）に指定しなさい
  • Step 4: 以下の3つ異なる分類モデルを学習せよ

※それぞれモデルにパラメータを図3の赤線のように指定しなさい

• ① k近傍法 (KNN) による学習　
• ② サポートベクターマシン (SVM) による学習
• ③ ロジスティック回帰による学習

• Step 5: 多数決アンサンブル分類器の構築 (参考：sklearn.ensemble.Votingclassifier())
• Step 6: 精度 (accuracy)，混同行列 (confution matrix) を確認しなさい
  • レポートには，Q6-2の分類手法と比べ，どのような工夫をして，結果的に精度がどこまで向上したかを記述しなさい

作成したところまでのプログラムのipynbファイルを提出しなさい