[1,4,1],	#右が大きいので１
    [2,1,0],	#左が大きいので0
    [3,2,0],	#左が大きいので0
    [2,3,1],
    [3,7,1],
    [6,4,0]

の１、２番目の数値が与えるデータ。

３番目が正解データです。

下記処理にて値を取り出しています

data = df.ix[:,0:1] #与えるデータ
label = df.ix[:,2] #データに対しての正解

ここで機械学習の基本、サポートベクターマシンを使うための

おまじないを唱えます

clf = svm.SVC()

サポートベクターマシンに、先程切り出したデータと

答えを与えます。

これがいわゆる教師データになります。

clf.fit(data,label) #学習させる

clf.fitをして学習が終わったら、与えるデータと

予測処理を呼びます

与えるデータは、今回は少し多めに

１０コ与えて正解率をみていきます。

yosokudata = [

	[5,4],
	[0,1],
	[1,2],
	[6,3],
	[3,4],
	[2,0],
	[1,4],
	[0,2],
	[3,1],
	[7,1],

]

予測してくれるのは、predictという関数です

clf.predict(yosokudata)

簡単ですが、上記を踏まえて完成した処理が以下です。

最期に、予測結果があっているかどうかを検証する処理を

付け加えます。

import pandas as pd
from sklearn import svm,metrics

input = [
   [1,4,1],
    [2,1,0],
    [3,2,0],
    [2,3,1],
    [3,7,1],
    [6,4,0]
]

df = pd.DataFrame(input)
data = df.ix[:,0:1] #DATA index
label = df.ix[:,2] #DATA label

clf = svm.SVC()
clf.fit(data,label) #学習させる

#予測する
yosokudata = [
    [5,4],
    [0,1],
    [1,2],
    [6,3],
    [3,4],
    [2,0],
    [1,4],
    [0,2],
    [3,1],
    [7,1],
]
yosoku = clf.predict(yosokudata) #予測実行
print("予測結果",yosoku)

#検証します
for index,kotae in enumerate(yosoku):
    print(yosokudata[index][0],yosokudata[index][1],kotae)
    if yosokudata[index][0] < yosokudata[index][1]:
        seikai = 1
    else:
        seikai = 0

    if seikai == kotae:
        print("正解")
    else:
        print("不正解")

—————————————

さて…上記の結果はどうだったんでしょうか？

スクリプトを叩いて結果を見てみます。

python sample1.py

予測結果 [0 0 1 0 1 0 1 1 0 0]

5 4 0

正解

0 1 0

不正解

1 2 1

正解

6 3 0

正解

3 4 1

正解

2 0 0

正解

1 4 1

正解

0 2 1

正解

3 1 0

正解

7 1 0

正解

なんと…１０問中９問の正解を叩き出しました。

普通に０か１だったら５０％の正解率になるはずなので、ちゃんと今回

教師データから傾向を見出して予測してくれたみたいです。

今後、もっと色々なパターンで機械学習をためしていきたいと思います。