φυβλαςのβλογ
phyblasのブログ



[python] สร้างข้อมูลกลุ่มรูปจันทร์เสี้ยวเพื่อใช้ทดสอบการเรียนรู้ของเครื่อง
เขียนเมื่อ 2017/12/02 10:56
แก้ไขล่าสุด 2022/07/19 08:34
ก่อนหน้านี้เคยได้แนะนำการสร้างข้อมูลเป็นกลุ่มๆก้อนๆเพื่อใช้ทดสอบแบบจำลองการเรียนรู้ของเครื่องไป https://phyblas.hinaboshi.com/20161127

แต่นอกจากนั้นแล้วใน sklearn มีของเล่นคล้ายๆกันแบบนี้ที่สามารถสร้างขึ้นได้อีกมากมาย

ในที่นี้จะลองนำเอาอีกตัวคือ make_moons มาลองใช้เล่นดู

make_moons เป็นฟังก์ชันสำหรับสร้างข้อมูลรูปพระจันทร์เสี้ยว

ตัวอย่างการใช้
import matplotlib.pyplot as plt
from sklearn import datasets
X,z = datasets.make_moons(n_samples=80,noise=0.1)
plt.axes(aspect=1)
plt.scatter(X[:,0],X[:,1],c=z,edgecolor='k',cmap='autumn')
plt.show()


จะเห็นว่าได้ช้อมูลที่มีการกระจายเป็นแบบคล้ายพระจันทร์เสี้ยว ๒ อันไขว้กัน

ข้อมูลในลักษณะนี้เหมาะกับการทดสอบแบบจำลองการแบ่งกลุ่มที่ไม่เป็นเชิงเส้น เช่นวิธีการเพื่อนบ้านใกล้สุด k ตัว หรือป่าสุ่ม

คีย์เวิร์ดที่ใส่เพื่อปรับแต่งได้มีแค่ ๔ ตัว ดังนี้
  ความหมาย ค่าตั้งต้น
n_samples จำนวนข้อมูลทั้งหมด 100
shuffle จะสุ่มการจัดเรียงแต่ละกลุ่มหรือไม่ True
noise ส่วนเบี่ยงเบนมาตรฐานของคลื่นรบกวนแบบเกาส์ที่เพิ่มเข้าไป None
random_state หมายเลขชุดของการสุ่ม None

noise เป็นตัวกำหนดการกระจายของจุด เช่นถ้าไม่ใส่ noise เลย หรือใส่ noise=0 ก็จะเป็นแบบนี้
X,z = datasets.make_moons(n_samples=80)
plt.axes(aspect=1).scatter(X[:,0],X[:,1],c=z,edgecolor='k',cmap='autumn')
plt.show()



แต่ถ้าใส่ noise=1 ข้อมูลก็จะเริ่มกระจายมั่ว แยกไม่ค่อยออกแล้ว
X,z = datasets.make_moons(n_samples=80,noise=1)
plt.axes(aspect=1).scatter(X[:,0],X[:,1],c=z,edgecolor='k',cmap='autumn')
plt.show()



ส่วน random_state นั้นคล้ายกับ np.random.seed ของ numpy คือเอาไว้ใช้เมื่อต้องการให้สุ่มได้ข้อมูลชุดเดิมๆ



ต่อไป ลองมาทดสอบการแบ่งกลุ่มข้อมูลพระจันทร์เสี้ยวนี้ด้วยแบบจำลองการแบ่งกลุ่มที่ต่างกัน ๔ แบบ
- การถดถอยโลจิสติก (逻辑回归, logistic regression)
- วิธีการเพื่อนบ้านใกล้สุด k ตัว (K-近邻算法, k-nearest neighbor, KNN)
- ต้นไม้ตัดสินใจ (决策树, decision tree)
- ป่าสุ่ม (随机森林, random forest)

แต่ละวิธีได้มีการแนะนำไปแล้วในบล็อกนี้ สามารถตามอ่านได้ >> หน้าสารบัญการเรียนรู้ของเครื่อง

เพื่อความสะดวก คราวนี้จะใช้แบบจำลองจากใน sklearn ทั้งหมด

เขียนได้ดังนี้
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.linear_model import LogisticRegression as Lori
from sklearn.neighbors import KNeighborsClassifier as Knn
from sklearn.tree import DecisionTreeClassifier as Ditri
from sklearn.ensemble import RandomForestClassifier as Rafo

model = [Lori(),Knn(),Ditri(),Rafo()]
chue = [u'การถดถอยโลจิสติก',u'เพื่อนบ้านใกล้สุด k ตัว',u'ต้นไม้ตัดสินใจ',u'ป่าสุ่ม']
X,z = datasets.make_moons(n_samples=80,noise=0.12,random_state=1)
nmesh = 200
mx,my = np.meshgrid(np.linspace(X[:,0].min(),X[:,0].max(),nmesh),np.linspace(X[:,1].min(),X[:,1].max(),nmesh))
mX = np.stack([mx.ravel(),my.ravel()],1)
plt.figure(figsize=[10,6])
for i,m in enumerate(model):
    m.fit(X,z)
    mz = m.predict(mX).reshape(nmesh,nmesh)
    plt.subplot(221+i,xlim=[X[:,0].min(),X[:,0].max()],ylim=[X[:,1].min(),X[:,1].max()],aspect=1)
    plt.scatter(X[:,0],X[:,1],c=z,edgecolor='k',cmap='autumn')
    plt.contourf(mx,my,mz,alpha=0.1,cmap='autumn')
    plt.title(chue[i],family='Tahoma')
plt.show()



ผลจะเห็นว่าแบบจำลองแต่ละชนิดมีลักษณะการแบ่งที่ต่างกันออกไป สำหรับการถดถอยโลจิสติกนั้นเนื่องจากเป็นการแบ่งเชิงเส้น ดังนั้นจึงไม่มีทางแบ่งกลุ่มข้อมูลแบบนี้ออกมาได้สมบูรณ์ ส่วนแบบจำลองอื่นสามารถแบ่งได้ดีในแบบของตัวเอง


-----------------------------------------

囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧

ดูสถิติของหน้านี้

หมวดหมู่

-- คอมพิวเตอร์ >> ปัญญาประดิษฐ์
-- คอมพิวเตอร์ >> เขียนโปรแกรม >> python >> numpy
-- คอมพิวเตอร์ >> เขียนโปรแกรม >> python >> matplotlib
-- คอมพิวเตอร์ >> เขียนโปรแกรม >> python >> sklearn

ไม่อนุญาตให้นำเนื้อหาของบทความไปลงที่อื่นโดยไม่ได้ขออนุญาตโดยเด็ดขาด หากต้องการนำบางส่วนไปลงสามารถทำได้โดยต้องไม่ใช่การก๊อปแปะแต่ให้เปลี่ยนคำพูดเป็นของตัวเอง หรือไม่ก็เขียนในลักษณะการยกข้อความอ้างอิง และไม่ว่ากรณีไหนก็ตาม ต้องให้เครดิตพร้อมใส่ลิงก์ของทุกบทความที่มีการใช้เนื้อหาเสมอ

目次

日本による名言集
モジュール
-- numpy
-- matplotlib

-- pandas
-- manim
-- opencv
-- pyqt
-- pytorch
機械学習
-- ニューラル
     ネットワーク
javascript
モンゴル語
言語学
maya
確率論
日本での日記
中国での日記
-- 北京での日記
-- 香港での日記
-- 澳門での日記
台灣での日記
北欧での日記
他の国での日記
qiita
その他の記事

記事の類別



ติดตามอัปเดตของบล็อกได้ที่แฟนเพจ

  記事を検索

  おすすめの記事

ตัวอักษรกรีกและเปรียบเทียบการใช้งานในภาษากรีกโบราณและกรีกสมัยใหม่
ที่มาของอักษรไทยและความเกี่ยวพันกับอักษรอื่นๆในตระกูลอักษรพราหมี
การสร้างแบบจำลองสามมิติเป็นไฟล์ .obj วิธีการอย่างง่ายที่ไม่ว่าใครก็ลองทำได้ทันที
รวมรายชื่อนักร้องเพลงกวางตุ้ง
ภาษาจีนแบ่งเป็นสำเนียงอะไรบ้าง มีความแตกต่างกันมากแค่ไหน
ทำความเข้าใจระบอบประชาธิปไตยจากประวัติศาสตร์ความเป็นมา
เรียนรู้วิธีการใช้ regular expression (regex)
การใช้ unix shell เบื้องต้น ใน linux และ mac
g ในภาษาญี่ปุ่นออกเสียง "ก" หรือ "ง" กันแน่
ทำความรู้จักกับปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง
ค้นพบระบบดาวเคราะห์ ๘ ดวง เบื้องหลังความสำเร็จคือปัญญาประดิษฐ์ (AI)
หอดูดาวโบราณปักกิ่ง ตอนที่ ๑: แท่นสังเกตการณ์และสวนดอกไม้
พิพิธภัณฑ์สถาปัตยกรรมโบราณปักกิ่ง
เที่ยวเมืองตานตง ล่องเรือในน่านน้ำเกาหลีเหนือ
ตระเวนเที่ยวตามรอยฉากของอนิเมะในญี่ปุ่น
เที่ยวชมหอดูดาวที่ฐานสังเกตการณ์ซิงหลง
ทำไมจึงไม่ควรเขียนวรรณยุกต์เวลาทับศัพท์ภาษาต่างประเทศ

ไทย

日本語

中文