はてなブックマーク

Scikit learnのチュートリアルを参考にしながら、SVMを使った手書き文字の認識と結果の可視化をPythonで実装してみた。 使用するデータ Scikit learn のライブラリに含まれているdigitsデータを使う。中身を見ると、64(=8x8)ピクセル、グレイスケールの手書き数字の画像データ、1797個分が行列形式で準備されている。これをSVMを使って多クラス分類する。 # Load example data from sklearn import datasets digits = datasets.load_digits() # データフォーマットの確認 print(digits.data) print(digits.data.shape) n_samples = len(digits.data) # データ数 print(n_samples) # 画像にして出力 imp

OpenCVをインストールする際にはまったので、備忘録がてら書いていきます。 #やりたいこと python (spyder) 上で OpenCVを使えるようにする。 Open CV のバージョンには特にこだわらない。 できるだけ簡単に。 #環境 Ubuntu 14.04 Python 2.7 Anaconda #やったこと こちらのサイト [pythonでOpenCVを使う一番簡単な方法] (http://qiita.com/ru_pe129/items/8a1a75cdf713d4fa6bc8) を参考にしました。ありがとうございます。 すでにAnacondaの環境はあるので、Condaを使ってインストール。 terminal 開いて、下記の１行コマンド入力するだけ。 conda install -c https://conda.binstar.org/jjhelmus opencv あ

やったこと One Class SVM を使った外れ値検知 乱数使って生成したサンプルデータ（正規分布、混合正規分布）を使用 Scikit-learnのユーザーガイドにある2.7. Novelty and Outlier Detectionを参考 なお、上記のユーザーガイドのページでは、Robust Covariance Estimator (マハラノビス距離を使った外れ値検知手法、正常データが正規分布に従うことが前提）も紹介されているが今回は割愛。 One-Class SVM SVM を利用した外れ値検知手法。カーネルを使って特徴空間に写像、元空間上で孤立した点は、特徴空間では原点付近に分布。Kernelはデフォルトのrbfで、異常データの割合を決めるnu(0~1の範囲、def.= 0.5)を変更してみる。 Scikit-learn One Class SVMのObjectのページ サン

Grid search とは scikit learnにはグリッドサーチなる機能がある。機械学習モデルのハイパーパラメータを自動的に最適化してくれるというありがたい機能。例えば、SVMならCや、kernelやgammaとか。Scikit-learnのユーザーガイドより、今回参考にしたのはこちら。 3.2.Parameter estimation using grid search with cross-validation Example:Parameter estimation using grid search with cross-validation やったこと 手書き数字(0~9)のデータセットdigitsをSVMで分類 GridSearchCVを使って、交差検定でハイパーパラメータを最適化 最適化時のモデルの評価関数にはf1を使用 データの準備 手書き数字のdigitsをインポ

# -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as plt %matplotlib inline from matplotlib.colors import ListedColormap from sklearn.cross_validation import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.datasets import make_moons, make_circles, make_classification from sklearn.neighbors import KNeighborsClassifier from sklearn.svm import SVC from

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?