Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

5.2

 

scikit-learn

の紹介

357

クラスタ番号でデータを分割することで、

GMM

アルゴリズムが元々のラベルをどれくらい

うまく回復しているかがわかります。

setosa

種はクラスタ

0

として完全に分離されていますが、

versicolor

種と

virginica

種には多少の混合が見られます。これはつまり、個々の花の測定値に対し

て単純なクラスタリングアルゴリズムを適用することで、花の種類を自動的にグループ化できるこ

とを示しています。こうしたアルゴリズムを使って、観察したサンプル間の関係についての手がか

りを専門家に与えることができます。

図5-17　アイリスデータのガウス混合モデルによるクラスタリング

5.2.3

 応用：手書き数字の調査

より興味深い問題に対してこの原則を適用してみましょう。文字認識問題つまり手書き数字の識

別を考えます。ここには、画像内で文字の位置を特定することと、それが何の文字であるかを識

別することの、

2

つの問題があります。簡略化のために

scikit-learn

ライブラリで提供されている、

フォーマット済み数字のデータを使用します。

5.2.3.1

 数字データのロードと可視化

scikit-learn

のデータアクセスインターフェースを使用して、このデータを見てみましょう。

In[22]: from sklearn.datasets import load_digits

digits = load_digits()

digits.images.shape

Out[22]: (1797, ...