アヤメデータセットにおける半教師あり分類器

はじめに

この実験では、Irisデータセット上の半教師あり分類器を探索します。Irisデータセット上でLabel Spreading、Self-training、およびサポートベクトルマシン（SVM）によって生成される決定境界を比較します。人気のあるPython機械学習ライブラリであるscikit-learnを使用して、分類器を実装し、決定境界を可視化します。

VMのヒント

VMの起動が完了したら、左上隅をクリックしてノートブックタブに切り替え、Jupyter Notebookを使って練習しましょう。

Jupyter Notebookが読み込み終わるまで数秒待つことがあります。Jupyter Notebookの制限により、操作の検証は自動化できません。

学習中に問題がある場合は、Labbyにお問い合わせください。セッション後にフィードバックを提供してください。すぐに問題を解決いたします。

Skills Graph

Irisデータセットを読み込んでデータを分割する

機械学習における分類タスクで広く使用されるIrisデータセットを読み込みます。このデータセットには、Irisの花の150個のサンプルが含まれており、各サンプルには4つの特徴量があります。花弁の長さ、花弁の幅、花びらの長さ、花びらの幅です。このデータセットを入力特徴量とターゲットラベルに分割します。

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

## Load the Iris dataset
iris = datasets.load_iris()

## Split the dataset into input features and target labels
X = iris.data[:, :2] ## We will only use the first two features for visualization purposes
y = iris.target

Label Spreading分類器をセットアップする

異なる割合のラベル付きデータ（30％、50％、100％）を持つ3つのLabel Spreading分類器をセットアップします。Label Spreadingは、半教師あり学習アルゴリズムであり、ラベル付きデータポイントから非ラベル付きデータポイントへの類似性に基づいてラベルを伝播させます。

from sklearn.semi_supervised import LabelSpreading

## Set up the Label Spreading classifiers
rng = np.random.RandomState(0)
y_rand = rng.rand(y.shape[0])
y_30 = np.copy(y)
y_30[y_rand < 0.3] = -1  ## set random samples to be unlabeled
y_50 = np.copy(y)
y_50[y_rand < 0.5] = -1
ls30 = (LabelSpreading().fit(X, y_30), y_30, "Label Spreading 30% data")
ls50 = (LabelSpreading().fit(X, y_50), y_50, "Label Spreading 50% data")
ls100 = (LabelSpreading().fit(X, y), y, "Label Spreading 100% data")

Self-training分類器をセットアップする

異なる割合のラベル付きデータ（30％と50％）を持つ2つのSelf-training分類器をセットアップします。Self-trainingは、半教師あり学習アルゴリズムであり、ラベル付きデータ上で分類器を訓練し、その後、それを使って非ラベル付きデータのラベルを予測します。最も確信度の高い予測結果をラベル付きデータに追加し、収束するまでこのプロセスを繰り返します。

from sklearn.semi_supervised import SelfTrainingClassifier
from sklearn.svm import SVC

## Set up the Self-training classifiers
base_classifier = SVC(kernel="rbf", gamma=0.5, probability=True)
st30 = (
    SelfTrainingClassifier(base_classifier).fit(X, y_30),
    y_30,
    "Self-training 30% data",
)
st50 = (
    SelfTrainingClassifier(base_classifier).fit(X, y_50),
    y_50,
    "Self-training 50% data",
)

SVM分類器をセットアップする

放射基底関数（RBF）カーネルを持つSVM分類器をセットアップします。SVMは、教師あり学習アルゴリズムであり、データを異なるクラスに分離する最適なハイパープレーンを見つけます。

from sklearn.svm import SVC

## Set up the SVM classifier
rbf_svc = (SVC(kernel="rbf", gamma=0.5).fit(X, y), y, "SVC with rbf kernel")

決定境界を可視化する

入力特徴空間をカバーする点のメッシュグリッドを作成し、各分類器を使用してメッシュグリッド内の点のラベルを予測します。その後、決定境界とラベル付きデータポイントをプロットします。

## Create a mesh grid to plot in
h = 0.02
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

## Define a color map for the labels
color_map = {-1: (1, 1, 1), 0: (0, 0, 0.9), 1: (1, 0, 0), 2: (0.8, 0.6, 0)}

## Set up the classifiers
classifiers = (ls30, st30, ls50, st50, ls100, rbf_svc)

## Plot the decision boundaries and labeled data points for each classifier
for i, (clf, y_train, title) in enumerate(classifiers):
    ## Plot the decision boundary
    plt.subplot(3, 2, i + 1)
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

    ## Put the result into a color plot
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)
    plt.axis("off")

    ## Plot the labeled data points
    colors = [color_map[y] for y in y_train]
    plt.scatter(X[:, 0], X[:, 1], c=colors, edgecolors="black")

    plt.title(title)

plt.suptitle("Unlabeled points are colored white", y=0.1)
plt.show()

まとめ

この実験では、アヤメデータセットに対して半教師あり分類器を検討しました。アヤメデータセットにおけるLabel Spreading、Self-training、およびSVMによって生成される決定境界を比較しました。scikit-learnを使用して分類器を実装し、決定境界を可視化しました。少量のラベル付きデータが利用可能な場合でも、Label SpreadingとSelf-trainingが良好な決定境界を学習できることがわかりました。