冒頭に掲げましたClassifier comparison例題の図、多くの分類器の結果が比較できるようにならんでいて壮観。印象深いものがあります。しかし「分類してるんでしょ」ということは分かるんですが、細かいことはサッパリ。まあ実際に動かして、ソースコードを読んで、説明ページも読むと。読んだら分かるようになりますかね？
MLのお砂場(6) Classifier comparison例題をしげしげと眺めるの巻
MLのお砂場(5) irisデータセットでClustering、K-means例題を読む
少し間が空いた期間に方針変更いたしました。最初はよそ様の書かれた立派なコードを読むに限ると。いくらTOYデータセットと言えども、いろいろな処理が可能なわけで知識の無い私があがくより、まずはお手本を読もうと。データセットはIrisのままですが、処理はClassificationではなくClusteringです。
MLのお砂場(4) irisデータセットその２、Classification最初の一歩
前回に引き続きHello world的データセット iris です。前回はJupyter-labでsklearn内蔵の iris データセットを開き、そのデータ構造を調べました。そしてデータのグラフを１枚描画。今回は、分類の最初の１歩ということで、「見ればわかる」人間的分類をやってみて結果をグラフに残したいと思います。
“MLのお砂場(4) irisデータセットその２、Classification最初の一歩” の続きを読む
MLのお砂場(3) ML業界のHello world? irisデータセットをのぞく
一般的なソフトウエアであれば最初の１歩は Hello world が定番です。業界？によって違いがあり。マイコン業界では「Lチカ」、ディープラーニング業界では「MNIST」と。さしづめML（機械学習）業界？では「Iris」でしょうかね。今回はscikit-learn「内蔵」のIrisデータセットをのぞいてみます。
MLのお砂場(2) 「続いて」scikit-learnインストールと動作確認したけれども
前回、ML(Machine Learning)をお砂場するためのPython実行環境として JupyterLab をインストールいたしました。それもVScode経由なのかブラウザでなのか一筋縄ではいかない感じでした。今回は実際にMLするためのライブラリを導入、動作確認したいと思います。選んだのは、scikit-learnであります。
MLのお砂場(1) 「とりあえず」JupyterLab環境はセットアップしたけれども
「お砂場」シリーズ第３弾「MLのお砂場」始めることにいたしました。ML＝Machine Learningです。MLなのでPythonメインでやる、ということは決めたのですが、Python系の「環境」いろいろありすぎてどうしたものかと考え中です。ポピュラーでお手軽に使えるものから「お砂場」ついでにいろいろ使ってみるかと。