def learn(teaching_data, save_file_path):
# 学習実行
trainFeature, trainLabel = teaching_data
clf = ml(max_features="auto") #, max_depth=7)
clf.fit(trainFeature, trainLabel)
# 学習成果を保存
import pickle
with open(save_file_path, 'wb') as f:
pickle.dump(clf, f)
# 学習結果を確認のために表示
test = clf.predict(trainFeature[2]) # 試しに一つ確認
print(test)
result = clf.score(trainFeature, trainLabel) # 学習データに対する、適合率
print(result)
print(clf.feature_importances_) # 各特徴量に対する寄与度を求める
return clf
def learn(teaching_data, save_file_path): # 学習実行 trainFeature, trainLabel = teaching_data clf = ml(max_features="auto")#, max_depth=7) clf.fit(trainFeature, trainLabel) # 学習成果を保存 import pickle with open(save_file_path, 'wb') as f: pickle.dump(clf, f) # 学習結果を確認のために表示 test = clf.predict(trainFeature[2]) # 試しに一つ確認 print(test) result = clf.score(trainFeature, trainLabel) # 学習データに対する、適合率 print(result) print(clf.feature_importances_) # 各特徴量に対する寄与度を求める return clf
def main():
# 予想したい日の日付けを設定
target_date = None
_day = dt.now() # まずはコマンドライン引数による指定がない場合を想定
if _day.hour >= 10: # この時刻を過ぎると、翌日の予想を実施する
_day += td(days=1)
target_date = dt(year=_day.year, month=_day.month, day=_day.day)
argvs = sys.argv # コマンドライン引数を格納したリストの取得
argc = len(argvs) # 引数の個数
if argc >= 2: # 引数で計算対象の日を渡す
arg = argvs[1]
arg += " 0:0:0" # 時分秒を加える
t = timeKM.getTime(arg)
if t != None:
target_date = t
print(target_date)
# 予測を実行する時刻を決定する（引数がなければスクリプト実行時の時刻が使われる）
process_hour = dt.now().hour
if argc >= 3: # 引数で予想実行時刻を渡す（その時刻に雲海が出るかを確認するものではない）
arg = argvs[2]
if arg.isdigit():
process_hour = int(arg)
# アメダスの観測所オブジェクトを作成
amedas_nodes = amd.get_amedas_nodes()
#print(amedas_nodes)
# 観測データを読み出す
#node_A = amedas_nodes["阿蘇山"]
node_A = amedas_nodes["熊本"] # 2015-09の噴火で阿蘇山頂のデータが得られないので、熊本に差し替え
lines_A = get_amedas_data(node_A, target_date)
node_B = amedas_nodes["阿蘇乙姫"]
lines_B = get_amedas_data(node_B, target_date)
# 観測データを処理して、特徴量の生成に適したオブジェクトに変更
weather_data_A = feature.get_weather_dict(lines_A)
weather_data_B = feature.get_weather_dict(lines_B)
raw_data = [weather_data_A, weather_data_B]
#print(weather_data_Aso)
#print(weather_data_Otohime)
# 機械学習オブジェクトを生成
clf = ml()
if 23 > process_hour >= 16:
with open('entry_16.pickle', 'rb') as f:
clf = pickle.load(f) # オブジェクト復元
else:
with open('entry_23.pickle', 'rb') as f:
clf = pickle.load(f) # オブジェクト復元
# 特徴ベクトルを生成
_feature = None
if 23 > process_hour >= 16:
_feature = feature.create_feature16(target_date, raw_data)
else:
_feature = feature.create_feature23(target_date, raw_data)
print(_feature)
# 予測を実施
print("--predict--")
print("target date: " + str(target_date))
print("process hur: " + str(process_hour))
done = False
results = []
if _feature != None:
if not None in _feature: # Noneがあると計算出来ない
test = clf.predict(_feature)
results.append((target_date, test[0], _feature))
print(test)
done = True
if done == False:
results.append((target_date, "NA", _feature))
print("--can't predict. There is None data in feature-vector.--")
# 予測結果を保存
with open("result.csv", "w") as fw:
for result in results:
_date, predict_result, _feature = result
str_feature = [str(x) for x in _feature]
fw.write(str(dt.now()))
fw.write(",")
fw.write(str(_date))
fw.write(",")
fw.write(str(predict_result))
fw.write(",")
fw.write("$")
fw.write(",")
fw.write(",".join(str_feature))
fw.write("\n")
return results
# memo: 読み込むデータは、1行目に列名があり、最終列に正解ラベルが入っていること。
# 正解ラベルは整数もしくは文字列であること。
# created: 2017-07-05
#----------------------------------------
import pandas
import pickle
from sklearn.ensemble import RandomForestClassifier as ml
import numpy as np
# データの読み込み
data = pandas.read_csv("iris_learning.csv")
#print(data)
x = (data.iloc[:, :-1]).values # transform to ndarray
y = (data.iloc[:, -1:]).values
y = np.ravel(y) # transform 2次元 to 1次元 ぽいこと
# 学習
clf = ml() # 学習器
clf.fit(x, y)
result = clf.score(x, y) # 学習データに対する、適合率
# 学習済みの学習器を保存
with open('entry.pickle', 'wb') as f:
pickle.dump(clf, f)
# 結果の確認
test = clf.predict([x[0]]) # 1個だけテスト
print(test)
print(result) # 学習データに対する適合率
print(clf.feature_importances_) # 各特徴量に対する寄与度を求める
def new():
""" 初期化した機械学習オブジェクトを返す
"""
clf = ml(max_features="auto", max_depth=40, n_estimators=150,
n_jobs=2) # RF
return clf
def new():
""" 初期化した機械学習オブジェクトを返す
"""
clf = ml(max_features="auto", max_depth=40, n_estimators=150, n_jobs=2) # RF
return clf
