U E D R , A S I H C RSS

머신러닝스터디/2016/2016_07_23

내용

  • SVM 실습 with sklearn
    • skflow(tensorflow의 contib/learn으로 흡수됨)을 사용하려 했으나 svm모듈 부분이 최신 커밋에만 포함되어 있어 sklearn을 사용하기로 함
    • sklearn 버전은 0.17.1
설치 방법
  $ sudo pip install sklearn

코드

import sklearn
from sklearn import svm

#### SVC with rbf kernel
# default is rbf kernel
clf = svm.SVC()
x_data = [[0,0], [0,1], [1,0], [1,1]]

# linear
## And gate
y_data = [0, 0, 0, 1]
clf.fit(x_data, y_data)
# SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
#   decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',
#   max_iter=-1, probability=False, random_state=None, shrinking=True,
#   tol=0.001, verbose=False)
clf.predict(x_data)
# array([0, 0, 0, 0]) # wrong

## Or gate
y_data = [0, 1, 1, 1]
clf.fit(x_data, y_data)
clf.predict(x_data)
# array([1, 1, 1, 1])

# non-linear
## Xor gate
y_data = [0, 1, 1, 0]
clf.fit(x_data, y_data)
clf.predict(x_data)
# array([0, 1, 1, 0]) # Correct answer


#### SVC with Linear kernel
clf = svm.SVC(kernel='linear')
clf.fit(x_data, y_data)
# SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
#   decision_function_shape=None, degree=3, gamma='auto', kernel='linear',
#   max_iter=-1, probability=False, random_state=None, shrinking=True,
#   tol=0.001, verbose=False)
clf.predict(x_data)
# array([0, 0, 0, 0])


#### LinearSVC
clf = svm.LinearSVC()
clf.fit(x_data, y_data)
# LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,
#      intercept_scaling=1, loss='squared_hinge', max_iter=1000,
#      multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,
#      verbose=0)
clf.predict(x_data)
# array([0, 0, 0, 1]) # Correct answer

* non-linear는 분류하지만 linear는 분류하지 못하는 SVC?
  • multi-class에서 분류 시에 voter의 결과에 따라 분류됨
    • 결과에 0이 많으면(And gate) 모두 0이 되고
      y_data = [0, 0, 0, 1]면 결과가 [0, 0, 0, 0]
    • 1이 더 많은 경우(Or gate) 학습 결과가 다음과 같음
      y_data = [0, 1, 1, 1]면 결과가 [1, 1, 1, 1]
* SVC와 LinearSVC의 차이란?

다음 시간에는

  • 동영상 8주차 보기

더 보기

Valid XHTML 1.0! Valid CSS! powered by MoniWiki
last modified 2016-07-28 07:45:50
Processing time 0.0994 sec