Python scikit-learn - フレームワークで排他的論理和(XOR)演算を学習する

排他的論理和(XOR)に関しての機械学習ですが、次の２点に関してフレームワークを利用する処理に変更します。

  • データとラベルを分割する。
  • 正解率を求める。

フレームワークで排他的論理和(XOR)演算を学習する

「データとラベルの分割」と「正解率を求める」箇所を変更します。

変更前のコードをコメントアウトしているので参考にして下さい。

[コード]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
import pandas as pd                 # 追加
from sklearn import svm, metrics    # metrics追加

# XORの演算と結果
xor_data = [
    [0, 0, 0],
    [0, 1, 1],
    [1, 0, 1],
    [1, 1, 0]
]

# 学習させるためにデータとラベルに分ける

# [変更前]
#data = []
#label = []
#for row in xor_data:
#    data.append([row[0], row[1]])
#    label.append(row[2])

# [変更後]
xor_df = pd.DataFrame(xor_data)
data  = xor_df.iloc[:,0:2]    # データ
label = xor_df.iloc[:,2]      # ラベル

# データの学習
clf = svm.SVC()
clf.fit(data, label)

# データを予測
pre = clf.predict(data)
print('予測結果:', pre)

# 正解と合っているか結果を確認

# [変更前]
#cnt_ok = 0
#total = 0
#for idx, ans in enumerate(label):
#    if pre[idx] == ans:
#        cnt_ok += 1
#    total += 1
#print('正解率：{} / {}'.format(cnt_ok, cnt_ok / total))

# [変更後]
ac_score = metrics.accuracy_score(label, pre)
print('正解率：', ac_score)

実行結果は次のようになります。

[実行結果]

予測結果: [0 1 1 0]
正解率： 1.0

変更前に比べてかなり短いコードで同様の結果が得られることが分かります。