Windows11 WSL2 Ubuntu Python Ⅱ
scikit-learn インストール
今度は、scikit-learn を使用して行きます。
このライブラリを利用するとデータの標準化とそれを元の値に戻すことが簡単にできます。
scikit-learn は２つのライブラリ scipy と numpy に依存関係があります。
これらの依存関係のあるライブラリがインストールされていないとscikit-learnは使用することができません。
scipy と numpy は TensorFlow をインストールしたときに一緒にインストールされたようで
私の Windows11 WSL2 Ubuntu Miniconda 環境には入っていました。
それでは scikit-learn をインストールします。
WSL2 Ubuntu のターミナルを立ち上げます。
scikit-learn も Miniconda の仮想環境のなかに構築して行きます。
yamada@yama:~$ conda update conda
yamada@yama:~$ conda install scikit-learn
Enter を押してインスト－ルを開始します。
しばらく黙りこくってからコメントが次々と出てきて完了します。
インスト－ル結果を見ます。
$ conda list
でインスト－ルを確認すると
scikit-learn 1.3.0 py310h1128e8f_0
がインストールされました。
scikit-learn 動作確認ファイル作成
scikit-learn を動かしてみます。
Scikit-learn ライブラリに実装されている、
標準化スケール変換メソッド StandardScaler を使ってみます。
Scikit-learnでデータをスケール変換する
が参考になります。
- ライブラリインポート
必要となるライブラリをインポートします。
NumPy と sklearn の中にある preprocessing モジュールが必要です。
import numpy as np
from sklearn import preprocessing
import matplotlib.pyplot as plt - 標準化したいデータ
標準化したいデータ x0 を作成します。
x0 = np.arange(0, 9, 1)
[0 1 2 3 4 5 6 7 8]
の９個のデータができました。 - データ x0 を２次元に変換。
残念なことに標準化したいデータが１次元だと標準化してくれません。
x0 を２次元に変換する必要があるのです。
preprocessing の標準化メソッド fit_transform は
２次元配列を縦(axis=0)方向に標準化します。
# x0 １次元配列を 1×n 次元に変換
x = x0.reshape(-1,1)[[0] [1] [2] [3] [4] [5] [6] [7] [8]]
１×９の配列に変換されました。
- 標準化
インスタンスを作成します。
sscaler = preprocessing.StandardScaler()
配列 X を標準化します。
fit_transform メソッドを使用します。
y = sscaler.fit_transform(x)
print(y) - 標準化したデータの復元
標準化したデータを元に戻します。
inverse_transform メソッドを使用します。
z = sscaler.inverse_transform(y)
print(z) - 標準化したデータの再スケール変換
標準化したデータを再スケール変換します。
平均(mean) = 5
標準偏差(scale) = 2
のデータにスケール変換します。
mean, scale = 5, 2
w = y * scale + mean
print(w) - 標準化の図示
計算した x,y,w を図示します。
plt.plot(x,x) # 青
plt.plot(x,y) # 緑
plt.plot(x,w) # 橙
x: 青の線も
w: 緑の線も
標準化するとどちらも
y: 橙の線になります。
scikit-learn 動作確認ファイルまとめ
ここまで説明してきたスクリプトを標準化ファイルにまとめます。
# coding: utf-8
import numpy as np
from sklearn import preprocessing
import matplotlib.pyplot as plt
x0 = np.arange(0, 9, 1)
print(x0)
# 1次元配列は 1×n 次元に変換
x = x0.reshape(-1,1)
print('x の値')
print(x)
print(np.mean(x))
print(np.std(x))
# インスタンスの作成
sscaler = preprocessing.StandardScaler()
# xを標準化
# fit_transform を使用
y = sscaler.fit_transform(x)
print('標準化した値')
print(y)
# 標準化したデータを元に戻す
# inverse_transform を使用
z = sscaler.inverse_transform(y)
print('復元値')
print(z)
# 標準化したデータの再スケール変換
mean, scale = 5, 2
w = y * scale + mean
print('標準化データのスケール変換')
print(w)
# 標準化の図示
plt.plot(x0,x)
plt.plot(x0,y)
plt.plot(x0,w)
plt.show()
# yamada@yama:~$ conda activate
# (base) yamada@yama:~$ python3 public_html/dsc-sci.py
上記ファイルを windows 側で作成します。
上記内容をすべてをコピ－し、Python ファイルを作成します。
自分の PC Windows で TeraPad 等を使用して作成できたらファイル名を dsc-sci.py として保存します。
文字コ－ドは、UTF-8N
BOM なし
改行コ－ドは、LF
です。
保存先はホスト Wimdows OS の
Linux \Ubuntu-22.04 \\wsl.localhost フォルダ
Linux/Ubuntu-22.04/home/yamada/public_html/dsc-sci.py
とします。
引き続き scikit-learn 動作ファイルの確認をしていきます。