PythonでSVMを実装する方法を現役エンジニアが解説【初心者向け】

初心者向けにPythonでSVMを実装する方法について現役エンジニアが解説しています。SVMとはサポートベクターマシンの略で、機械学習のモデルの1つです。分類または回帰分析を行うことが出来ます。SVMが使われる例やSVMで分類モデルを構築する方法を解説します。

TechAcademyマガジンはオンラインのプログラミングスクールTechAcademy [テックアカデミー]が運営。初心者向けに解説した記事が4,000以上あります。現役エンジニアの方はこちらをご覧ください。

PythonでSVMを実装する方法について、TechAcademyのメンター(現役エンジニア)が実際のコードを使用して、初心者向けに解説します。

Pythonについてそもそもよく分からないという方は、Pythonとは何なのか解説した記事を読むとさらに理解が深まります。

 

なお本記事は、TechAcademyのオンラインブートキャンプ、Python講座の内容をもとに紹介しています。

 

田島悠介

今回は、Pythonに関する内容だね!

大石ゆかり

どういう内容でしょうか?

田島悠介

PythonでSVMを実装する方法について詳しく説明していくね!

大石ゆかり

お願いします!

 

目次

  1. SVMとは
  2. scikit-learnとは
  3. 実際に書いてみよう
  4. まとめ

 

SVMとは

SVMとはサポートベクターマシン(Support Vector Machine)の略です。

機械学習のモデルの1つで、分類または回帰分析を行うことが出来ます。以下の図のように境界線から「最も近いデータまでの距離」を最大にするよう、パターン識別を行うモデルです。

Wikipedia サポートベクターマシン より

SVMはディープラーニング登場前は最強の機械学習モデルとして君臨していました。現在でも軽量かつ性能の良いモデルとして利用されています。

[PR] Pythonで挫折しない学習方法を動画で公開中

scikit-learnとは

scikit-learnはPythonの機械学習用モジュールです。

SVMをはじめ、多くの機械学習のモデルが含まれています。scikit-learn の機械学習モデルの特徴として、学習や予測の関数名が統一されていることが上げられます。これにより様々なモデルの評価を容易に行えるようになっています。

scikit-learnのSVMモデルについて、詳しくは公式サイトも参考にしてください。

sklearn.svm.Support Vector Machines

実際に書いてみよう

今回のサンプルプログラムではSVMで分類モデルを構築します。分類モデルにはsklearn.svm.SVCを使用します。実行は Jupyter Notebook で行っています。

sklearn.svm.SVC

はじめに分類用のデータを読み込みます。今回はscikit-learnに添付されているirisデータセットを使用しています。

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris

iris = load_iris()

dataset = pd.DataFrame(data = iris['data'], columns = iris['feature_names'])
dataset['species'] = iris['target']
dataset.head()

実行結果は以下のとおりです。iris データセットは機械学習で多く用いられる有名なデータセットで、あやめの花びらの大きさと品種が格納されています。今回は花びらの大きさから品種(species)を予測するモデルを構築します。

irisデータセットをを目的変数と説明変数に分けます。目的変数Yが予測対象(species)、説明変数Xが花びらの大きさとなります。さらに目的変数と説明変数を学習データとテストデータに分割します。

# 目的変数(Y)、説明変数(X)
Y = np.array(dataset['species'])
X = np.array(dataset[iris['feature_names']])

# データの分割
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.3, random_state=0)

モデルを構築し、 fit() 関数で学習を行います。

from sklearn.svm import SVC
model = SVC(gamma='scale')
model.fit(X_train, Y_train)

学習済のモデルで予測を行ってみましょう。予測は predict() 関数で行います。

Y_pred = model.predict(X_test)

print(Y_test[:10])
print(Y_pred[:10])

実行結果は以下のとおりです。高い精度で予測が行われています。

[2 1 0 2 0 2 0 1 1 1]
[2 1 0 2 0 2 0 1 1 1]

 

まとめ

今回の記事ではPythonでSVMを実装する方法を学習しました。

監修してくれたメンター

太田和樹(おおたかずき)

ITベンチャー企業のPM兼エンジニア。

普段は主に、Web系アプリケーション開発のプロジェクトマネージャーとプログラミング講師を行っている。守備範囲はフロントエンド、モバイル、サーバサイド、データサイエンティストと幅広い。その幅広い知見を生かして、複数の領域を組み合わせた新しい提案をするのが得意。

開発実績:画像認識技術を活用した駐車場混雑状況把握(実証実験)、音声認識を活用したヘルプデスク支援システム、Pepperを遠隔操作するアプリの開発、大規模基幹系システムの開発・導入マネジメント。

地方在住。仕事のほとんどをリモートオフィスで行う。通勤で消耗する代わりに趣味のDIYや家庭菜園、家族との時間を楽しんでいる。

 

大石ゆかり

内容分かりやすくて良かったです!

田島悠介

ゆかりちゃんも分からないことがあったら質問してね!

大石ゆかり

分かりました。ありがとうございます!

 

TechAcademyでは、初心者でも最短4週間で、Pythonを使った人工知能(AI)や機械学習の基礎を習得できる、オンラインブートキャンプを開催しています。

また、現役エンジニアから学べる無料体験も実施しているので、ぜひ参加してみてください。