2019年7月14日 星期日

Python實作各種水果分類器那一種最好？

本篇文章延續上一篇：用Python實作水果分類器

水果分類器採用機器學習的技巧來實作，因此可以看出所有的演算法都是把資料分成訓練組和測試組，大家不妨找出那一種分類法，所得到分數最高，就是比較適合水果分類的方法。

求邏輯迴歸(Logistic Regression)值：
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import pandas as pd
import matplotlib.pyplot as plt
fruits = pd.read_table('fruit_data_with_colors.txt')

from pandas.tools.plotting import scatter_matrix
from matplotlib import cm
feature_names = ['mass', 'width', 'height', 'color_score']
X = fruits[feature_names]
y = fruits['fruit_label']

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression()
logreg.fit(X_train, y_train)
print('Accuracy of Logistic regression classifier on training set: {:.2f}'
     .format(logreg.score(X_train, y_train)))
print('Accuracy of Logistic regression classifier on test set: {:.2f}'
     .format(logreg.score(X_test, y_test)))

執行結果：

決策樹(Decision Tree)：
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
import pandas as pd
import matplotlib.pyplot as plt
fruits = pd.read_table('fruit_data_with_colors.txt')

from pandas.tools.plotting import scatter_matrix
from matplotlib import cm
feature_names = ['mass', 'width', 'height', 'color_score']
X = fruits[feature_names]
y = fruits['fruit_label']

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)


from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier().fit(X_train, y_train)

print('Accuracy of Decision Tree classifier on training set: {:.2f}'
     .format(clf.score(X_train, y_train)))
print('Accuracy of Decision Tree classifier on test set: {:.2f}'
     .format(clf.score(X_test, y_test)))

執行結果：

設置最大決策樹深度有助於避免過度擬合(Overfitting)：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
import pandas as pd
import matplotlib.pyplot as plt
fruits = pd.read_table('fruit_data_with_colors.txt')

from pandas.tools.plotting import scatter_matrix
from matplotlib import cm
feature_names = ['mass', 'width', 'height', 'color_score']
X = fruits[feature_names]
y = fruits['fruit_label']

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)


from sklearn.tree import DecisionTreeClassifier
clf2 = DecisionTreeClassifier(max_depth=3).fit(X_train, y_train)
print('Accuracy of Decision Tree classifier on training set: {:.2f}'
     .format(clf2.score(X_train, y_train)))
print('Accuracy of Decision Tree classifier on test set: {:.2f}'
     .format(clf2.score(X_test, y_test)))
執行結果：

K-最近鄰居法(K-Nearest Neighbors)：
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
import pandas as pd
import matplotlib.pyplot as plt
fruits = pd.read_table('fruit_data_with_colors.txt')

from pandas.tools.plotting import scatter_matrix
from matplotlib import cm
feature_names = ['mass', 'width', 'height', 'color_score']
X = fruits[feature_names]
y = fruits['fruit_label']

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)


from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
print('Accuracy of K-NN classifier on training set: {:.2f}'
     .format(knn.score(X_train, y_train)))
print('Accuracy of K-NN classifier on test set: {:.2f}'
     .format(knn.score(X_test, y_test)))

執行結果：


線性區別分析(

Linear Discriminant Analysis)：
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
import pandas as pd
import matplotlib.pyplot as plt
fruits = pd.read_table('fruit_data_with_colors.txt')

from pandas.tools.plotting import scatter_matrix
from matplotlib import cm
feature_names = ['mass', 'width', 'height', 'color_score']
X = fruits[feature_names]
y = fruits['fruit_label']

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
lda = LinearDiscriminantAnalysis()
lda.fit(X_train, y_train)
print('Accuracy of LDA classifier on training set: {:.2f}'
     .format(lda.score(X_train, y_train)))
print('Accuracy of LDA classifier on test set: {:.2f}'
     .format(lda.score(X_test, y_test)))

執行結果：


單純貝氏分類器(Gaussian Naive Bayes)：
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
import pandas as pd
import matplotlib.pyplot as plt
fruits = pd.read_table('fruit_data_with_colors.txt')

from pandas.tools.plotting import scatter_matrix
from matplotlib import cm
feature_names = ['mass', 'width', 'height', 'color_score']
X = fruits[feature_names]
y = fruits['fruit_label']

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
gnb.fit(X_train, y_train)
print('Accuracy of GNB classifier on training set: {:.2f}'
     .format(gnb.score(X_train, y_train)))
print('Accuracy of GNB classifier on test set: {:.2f}'
     .format(gnb.score(X_test, y_test)))

執行成果：


支撐向量機(support vector machine, SVM)：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
import pandas as pd
import matplotlib.pyplot as plt
fruits = pd.read_table('fruit_data_with_colors.txt')

from pandas.tools.plotting import scatter_matrix
from matplotlib import cm
feature_names = ['mass', 'width', 'height', 'color_score']
X = fruits[feature_names]
y = fruits['fruit_label']

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

from sklearn.svm import SVC
svm = SVC()
svm.fit(X_train, y_train)
print('Accuracy of SVM classifier on training set: {:.2f}'
     .format(svm.score(X_train, y_train)))
print('Accuracy of SVM classifier on test set: {:.2f}'
     .format(svm.score(X_test, y_test)))

執行結果：

於

沒有留言:

張貼留言

訂閱： 張貼留言 (Atom)
  • 百香果苗結花苞，要注意小心太早熟會長不大
    今天鄭鳳池、鄭勝仁父子從埔里到校來看本校的百香果果園， 鄭 勝仁先生隨手從百香果苗摘下一小片，告訴我百香果已經在開花， 專家就是不一樣，百香果USR計畫團隊成員天天看，都沒有注意到剛種下去的百香果苗已經快開花了。 鄭 勝仁先生說花苞要摘除，避免百香果太早熟長...
  • 防蟲叮咬小秘訣
    作者： 邱智煜         記得前一陣子在果園裡，那第一顆果實出現的時候，大家是多麼的歡欣鼓舞，隨著結果數越來越多，大家也對接下來的進展非常的期待，然而，突然出現了讓人預期不到的情況↓ 被果蠅入住了 !!! ------------------...
  • 利用Python透過氣象開放資料平台取得百香果故鄉的氣象資料
    1.網址： https://opendata.cwb.gov.tw/index 2.資料( https://opendata.cwb.gov.tw/dataset/forecast?page=1 )可以分成下列幾種： 預報 觀測 地震海嘯 氣候 ...
  • 百香果培育計畫課程的開始 – 學習溫室棚架第一步
    百香果培育計畫課程的開始 – 學習溫室棚架第一步     5月2號下午，一群南開師生在校園的百香果園聽著鄭鳳池先生的解說。鄭先生詳細地告訴大家如何使用家傳多年的方式來搭建溫室棚架。從橫躺著的一支支鐵桿，到成為一支支強而穩健的支撐架，超級有成就感的。課程從下午一點開始，正是烈...
  • 一堆不可以重複以及改變值的資料的集合可用來百香果分級判斷
    集合中元素具備沒有順序的特性，因此無法像串列(List)一樣可以用索引算符或切片方式來存取，當然不能使用串接算符+和重複算符*，集合常用的算符是in和not in，用來判斷元素是否在集合中。 範例一：集合會過濾掉重複的元素 passionFruit={'同一品種&#...
  • 著手開始記錄百香果種植的環境數據
    今天拿到4合一土壤調查儀器，忍不住好奇想知道前些日子種植百香果土壤的數值是多少？打開儀器的包裝，從院長室快步地到達H3廣場前的百香果苗。 從儀器的數值來看，今天溫度是30度，有點熱，量測到的PH值是5.5，土壤偏酸。大家有興趣可以參考 維基百科pH值 的說明。 ...
  • Python一下百香果故鄉在南投埔里
    在今年元旦敏哥曾發表" 用Python來撰寫顯示今天百香果市場交易情形的程式 "，雖然短短幾行程式可以用來讀取蔬果市場百香果的交易情形，但對於初學者而言，還是太難了，因此今天利用白天放學時間，距離晚上上課還有一些時間，來把程式說明更詳細一點。 1.Pyth...
  • 中興智能創作課程
    「 Let's make it ! 中興智能創作課程，總共規劃三個主題： 1. 智慧農業 2. 網路爬蟲 3. 人工智慧。 108 年 10 月 20 日辦理第一個主題「智慧農業」，邀請南開科技大學民生學院院長林正敏院長蒞臨本校擔任講座，此次課程主要是運用物聯網的概...
  • Python實作各種水果分類器那一種最好？
    本篇文章延續上一篇： 用Python實作水果分類器 水果分類器採用機器學習的技巧來實作，因此可以看出所有的演算法都是把資料分成訓練組和測試組，大家不妨找出那一種分類法，所得到分數最高，就是比較適合水果分類的方法。 求邏輯迴歸(Logistic Regression)值： ...
  • 十個步驟輕輕鬆鬆利用Mezzanine打造百香果交易行情網站
    利用暑假三週開設"Python/Django程式設計-以百香果USR為例"的微學分，共20小時，參與的學生都可以獲得一個學分，敏哥以過去三年用南投百香果來開發Python教材，期待學習者能瞭解Python/Django的程式設計，也能瞭解到台灣百香果的故鄉在南...