SVM決定境界線プロットとSVMのAccuracyをみると、元データ（教師となるトレーニングデータ）を何にするかが原因であったことが判りました。フタをあければ、当たり前ですが、XYZの加速度成分を分類するのに、XYZが同時に動く振り方（ジェスチャー）をしているのでそれぞれのジェスチャー内に重複するデータが多数発生するのが、分類ミスが多発する原因でした。
●元のトレーニングデータ（教師となるデータ）
ＢＮＯ０５５のLinearAcc(laX,laY,laZ)を採用したのですが、Linearだと重力加速度は除外しているので、姿勢差がでません。下記生データ時系列図では、左からX方向往復振り、中央がY方向往復振り、右がZ方向往復振りです。
それぞれの方向の波形が大きなピークをだしてますが、低い値では他の成分も加速が入ってしまってます。
ですので、テストデータが低い値の場合は、どの振り回し方だか分類がつかないでミスが発生します。

●機械学習の評価指標でみると
SVM分類のトレーニングデータの正解率（Accuracy）６９．４％しかでてませんでした。
F1値（F値は対照的な特徴を持つ適合率と再現率の調和平均）が69.9%でした。

●境界線グラフ（seaborn-analyzer使用）
左図：縦laY－横laＸ　中図：縦laZ-横laY 　右図：縦laX-laZ
入り混じっているので正解率が６９％なのは納得です。

●元々の原作者の意図

魔法の杖のジェスチャーを機械学習で判定させてみた
の作者の振り回し方は姿勢を変えながらトレーニングデータをサンプリングさせていたのだと思います。
ですので、私がLinear加速度を使ったら、姿勢がでないので、ＳＶＭで分類できないトレーニングデータであっ
ということです。　Gravity加速度で、与えるか一般の加速度でトレーニングしたほうが、正解率はあがるはずです。
●IMUを使った機械学習の論文調査
剣道の技をIMUを複数個身体にとりつけて、つき技を分類した論文がありました。
剣道上達支援のためのIMUを用いた打突動作　
ここでは、技毎に統計値を目いっぱいとって、機械学習のアルゴリズムを試してますが、一番良い正解率が
Randum Forestで９４％でした。特徴量として、統計値　時間、周波数でとってます。
この論文の引用文献でさかのぼって、人間の行動をスマホＩＭＵで判ありました。
有料と無料のダウンロードがありますが、無料でもダウンロードできます。
Multi-stage activity inference for locomotion and transportation analytics of mobile users
ここで使っているデータと特徴量のテーブルだけ抜粋しました。

け

結果として　下記のツリーで分類ができるようです。

●私のやりたいこと
時系列グラフだけみて、どんな動作をしているかは、人間の目でも難しいので、上記論文のやり方を学習して
IMUの新しい使い方をやってみたいと思います。
●プログラムの備忘録
元プログラムは、ＩＭＵからのデータをリストにアペンドしながらトレーニングデータを作成してますが、
csvファイルから読みとって　scikit-learn用にデータを変換する方法でプログラムを作り直しました。

#coding utf-8
import datetime
import pickle  # モデルをファイルとして使用する用
import keyboard
import numpy as np  # numpyで2次元配列を扱うため

import serial # シリアル通信を行うため
from sklearn.svm import SVC, SVR  # 学習用
import csv
import os
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import time
#----------Global variable----------------

X = []
Y = []

def  serTch(filenamei,length:int,gestures:int,cmN):
        #X = []
        #Y = []
        wr=[]
        print("serTch INN")
        path = os.getcwd()
        print(path)
        print(type(path))
        #length = 100 #ジェスチャの長さ（連続で受信するデータの個数）
        #gestures = 3 #ジェスチャの種類の数
        times = 1 #各ジェスチャを行う回数
        #====================================================
       #now = datetime.datetime.now()
        #name = now.strftime('%m%d_%H%M')
        #filenamei ='imu.csv'
        #filename = 'model_' + name + '.sav'  # 入力した名前の学習モデルのファイル名
        #filename = 'model.sav'  # 入力した名前の学習モデルのファイル名
        print('Connecting...')
        ser = serial.Serial(cmN,115200,timeout=None) #ポート番号19からシリアル受信
        print("-----Input  c:CreateModel,g:Gesture Measuring +ENTER")
        print("filenamei="+filenamei+"length="+str(length)+"gestures="+str(gestures))
        #mx = []  # 各軸ごとの配列を初期化
        #my = []
        #mz = []
        with open(filenamei, 'w', newline='') as f:
                        writer = csv.writer(f)
                        for i in range(gestures * times):
                                cnt = 0 #受信したデータのカウント用
                                gesture_num = i  % gestures + 1 #ジェスチャ番号を指定
                                print('Push a then Do gesture No.', gesture_num)
                                while True:
                                    line=ser.readline()#Binary
                                    linestr= line.decode('utf8')#バイナリーをASCII変換
                                    strarr=linestr.split(',')
                                    datano=strarr[0]
                                    x=strarr[1]
                                    y=strarr[2]
                                    z=strarr[3]
                                    tim=strarr[4]

                                    if keyboard.is_pressed('a'):
                                        print("key hit")
                                        switch = "a"
                                    else:
                                        switch=''

                                    if switch =='a' and cnt == 0: #クリックされたらカウント開始
                                        print("cnt=1")
                                        cnt = 1

                                    if cnt != 0: #ジェスチャ中a
                                        #print("In gestureNo"+str(gesture_num)+" datacnt="+str(cnt))

                                        print("In gestureNo"+str(gesture_num)+'datanp=' + datano + ',x=' + x + 'y=' + y+ 'z=' + z + 'tim=' + tim)
                                        #mx.append(x.rstrip('\r\n'))  # シリアルから受け取ってたデータのゴミを取って配列へ追加
                                        #my.append(y.rstrip('\r\n'))
                                        #mz.append(z.rstrip('\r\n'))
                                        cnt += 1
                                        if cnt == length: #lengthまでいったら次のジェスチャ待ちへ
                                            print("length Up")
                                            break
                                        print("CSV:gnum="+str(gesture_num)+"x="+x+"y="+y+"z="+z)
                                        wr = [gesture_num,x, y, z]
                                        writer.writerow(wr)
                                #Y.append(str(gesture_num))  # 学習ラベル用リストへ追加
                                #m = mx + my + mz #三軸の加速度を横一列にする
                                #X.append(m) #学習データ用リストへ追加
                                #print("Xappend:Gesture_num="+str(gesture_num))
                                #print(X)


                        print("serial closed")
                        ser.close()  # シリアルを閉じ
        f.close()  # isn't actually needed
                        #print("def result:")
                        #print(X)
                       # print(Y)
        #return  [X,Y]

# -----------main---------------------------------------
while True:
            print("-----Input  c:CreateModel,g:Gesture Measuring +ENTER")
            keys = input()
            millisec = time.time() * 1000
            if keys == 'c':
                serTch('imu.csv',100,3,'COM28')
                #X=result[0]
                #X=X[0]
                #Y=result[1]
                # CSVからデータ作成
                #with open('imu.csv', 'w', newline='') as f:
                df = pd.read_csv("imu.csv", sep=",", header=None, names=['gnum', 'lx', 'ly', 'lz'])
                print(df)
                # データフレームを行列へ変換
                arr = df.to_numpy()
                print(arr)
                X=arr[:,1:]
                Y=arr[:,0]
                print("---X=",end='')
                print(X)
                print("---Y=",end='')
                print(Y)
                #X = np.array(X).reshape(-1, 1)
                print("X=",end='')
                print(X)

                # SVM start
                #X = np.array(X).reshape(-1, 1)
                model = SVC(kernel = 'linear', C=1, gamma=1) #学習モデルのパラメータを指定
                #model.fit(X,np.ravel(Y)) #学習を行う
                model.fit(X, Y)  # 学習を行う
                # %% サポートベクターマシン分類して性能評価指標算出
                from sklearn.svm import SVC
                from sklearn.metrics import accuracy_score, f1_score

                # X = iris[['petal_width', 'petal_length']].values  # 説明変数
                # y = iris['species'].values  # 目的変数(3種類のアヤメ種類)
                #clf = SVC()  # SVM分類用インスタンス
                #clf.fit(X, Y)  # 学習
                y_pred = model.predict(X)  # 推論
                print(f'Accuracy={accuracy_score(Y, y_pred)}')  # 正解率を表示
                print(f'F1={f1_score(Y, y_pred, average="macro")}')  # F1-Macroを表示
                from seaborn_analyzer import classplot

                classplot.class_separator_plot(model, ['lx','ly'],'gnum', df)
                classplot.class_separator_plot(model, ['ly', 'lz'], 'gnum', df)
                classplot.class_separator_plot(model, ['lz', 'lx'], 'gnum', df)
                plt.show()
                # CSV読み込みして散布図プロット
                #df = pd.read_csv("imu.csv", sep=",", header=None, names=['gnum', 'gyX', 'gyY', 'gyZ'])

                #df = pd.read_csv("imu.csv", sep=",", header=None, names=['gnum', 'acX', 'acY', 'acZ'])
                print(df)
                print(len(df.columns))
                print(df.info())

                sns.pairplot(df, hue='gnum')
                plt.tight_layout()
                plt.show()
                sns.lineplot(df)
                plt.show()
                #df = pd.DataFrame(model)
                #sns.pairplot(df, height=1.5)
                with open('model.sav', 'wb') as fp_model: #学習モデルを保存するためのファイルを開く
                    pickle.dump(model, fp_model) #モデルを保存
                print('Model created.')

             #-----------------------------start gesture measuring-----------------------------------------------
            elif keys=='g':
                print("=================Test Input MODE================ ")
                serTch('imut.csv', 10, 1, 'COM28')

                with open('model.sav', 'rb') as fp_model:  # 学習モデルファイルを開く
                        loaded_model = pickle.load(fp_model)  # モデルをロード
                        print('Do any gesture!')
                        with open('imut.csv', 'rb') as fs:
                            writer = csv.writer(fs)
                        dfs = pd.read_csv("imut.csv", sep=",", header=None, names=['gnum', 'lx', 'ly', 'lz'])
                        print(dfs)
                        arr2=dfs.to_numpy()
                        print("arr2=", end='')
                        print(arr2)
                        test_arr=arr2[:,1:]
                        print("test_arr=",end='')
                        print(test_arr)
                        pre = loaded_model.predict(test_arr)  # ジェスチャの判定
                        print('********************This gesture is No.', pre)
                        sns.lineplot(dfs)
                        plt.show()




                        plt.show()

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

#coding utf-8

import datetime

import pickle # モデルをファイルとして使用する用

import keyboard

import numpy as np # numpyで2次元配列を扱うため

import serial # シリアル通信を行うため

from sklearn.svm import SVC, SVR # 学習用

import csv

import os

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

import time

#----------Global variable----------------

X = []

Y = []

def serTch(filenamei,length:int,gestures:int,cmN):

#X = []

#Y = []

wr=[]

print("serTch INN")

path = os.getcwd()

print(path)

print(type(path))

#length = 100 #ジェスチャの長さ（連続で受信するデータの個数）

#gestures = 3 #ジェスチャの種類の数

times = 1 #各ジェスチャを行う回数

#====================================================

#now = datetime.datetime.now()

#name = now.strftime('%m%d_%H%M')

#filenamei ='imu.csv'

#filename = 'model_' + name + '.sav' # 入力した名前の学習モデルのファイル名

#filename = 'model.sav' # 入力した名前の学習モデルのファイル名

print('Connecting...')

ser = serial.Serial(cmN,115200,timeout=None) #ポート番号19からシリアル受信

print("-----Input c:CreateModel,g:Gesture Measuring +ENTER")

print("filenamei="+filenamei+"length="+str(length)+"gestures="+str(gestures))

#mx = [] # 各軸ごとの配列を初期化

#my = []

#mz = []

with open(filenamei, 'w', newline='') as f:

writer = csv.writer(f)

for i in range(gestures * times):

cnt = 0 #受信したデータのカウント用

gesture_num = i % gestures + 1 #ジェスチャ番号を指定

print('Push a then Do gesture No.', gesture_num)

while True:

line=ser.readline()#Binary

linestr= line.decode('utf8')#バイナリーをASCII変換

strarr=linestr.split(',')

datano=strarr[0]

x=strarr[1]

y=strarr[2]

z=strarr[3]

tim=strarr[4]

if keyboard.is_pressed('a'):

print("key hit")

switch = "a"

else:

switch=''

if switch =='a' and cnt == 0: #クリックされたらカウント開始

print("cnt=1")

cnt = 1

if cnt != 0: #ジェスチャ中a

#print("In gestureNo"+str(gesture_num)+" datacnt="+str(cnt))

print("In gestureNo"+str(gesture_num)+'datanp=' + datano + ',x=' + x + 'y=' + y+ 'z=' + z + 'tim=' + tim)

#mx.append(x.rstrip('\r\n')) # シリアルから受け取ってたデータのゴミを取って配列へ追加

#my.append(y.rstrip('\r\n'))

#mz.append(z.rstrip('\r\n'))

cnt += 1

if cnt == length: #lengthまでいったら次のジェスチャ待ちへ

print("length Up")

break

print("CSV:gnum="+str(gesture_num)+"x="+x+"y="+y+"z="+z)

wr = [gesture_num,x, y, z]

writer.writerow(wr)

#Y.append(str(gesture_num)) # 学習ラベル用リストへ追加

#m = mx + my + mz #三軸の加速度を横一列にする

#X.append(m) #学習データ用リストへ追加

#print("Xappend:Gesture_num="+str(gesture_num))

#print(X)

print("serial closed")

ser.close() # シリアルを閉じ

f.close() # isn't actually needed

#print("def result:")

#print(X)

# print(Y)

#return [X,Y]

# -----------main---------------------------------------

while True:

print("-----Input c:CreateModel,g:Gesture Measuring +ENTER")

keys = input()

millisec = time.time() * 1000

if keys == 'c':

serTch('imu.csv',100,3,'COM28')

#X=result[0]

#X=X[0]

#Y=result[1]

# CSVからデータ作成

#with open('imu.csv', 'w', newline='') as f:

df = pd.read_csv("imu.csv", sep=",", header=None, names=['gnum', 'lx', 'ly', 'lz'])

print(df)

# データフレームを行列へ変換

arr = df.to_numpy()

print(arr)

X=arr[:,1:]

Y=arr[:,0]

print("---X=",end='')

print(X)

print("---Y=",end='')

print(Y)

#X = np.array(X).reshape(-1, 1)

print("X=",end='')

print(X)

# SVM start

#X = np.array(X).reshape(-1, 1)

model = SVC(kernel = 'linear', C=1, gamma=1) #学習モデルのパラメータを指定

#model.fit(X,np.ravel(Y)) #学習を行う

model.fit(X, Y) # 学習を行う

# %% サポートベクターマシン分類して性能評価指標算出

from sklearn.svm import SVC

from sklearn.metrics import accuracy_score, f1_score

# X = iris[['petal_width', 'petal_length']].values # 説明変数

# y = iris['species'].values # 目的変数(3種類のアヤメ種類)

#clf = SVC() # SVM分類用インスタンス

#clf.fit(X, Y) # 学習

y_pred = model.predict(X) # 推論

print(f'Accuracy={accuracy_score(Y, y_pred)}') # 正解率を表示

print(f'F1={f1_score(Y, y_pred, average="macro")}') # F1-Macroを表示

from seaborn_analyzer import classplot

classplot.class_separator_plot(model, ['lx','ly'],'gnum', df)

classplot.class_separator_plot(model, ['ly', 'lz'], 'gnum', df)

classplot.class_separator_plot(model, ['lz', 'lx'], 'gnum', df)

plt.show()

# CSV読み込みして散布図プロット

#df = pd.read_csv("imu.csv", sep=",", header=None, names=['gnum', 'gyX', 'gyY', 'gyZ'])

#df = pd.read_csv("imu.csv", sep=",", header=None, names=['gnum', 'acX', 'acY', 'acZ'])

print(df)

print(len(df.columns))

print(df.info())

sns.pairplot(df, hue='gnum')

plt.tight_layout()

plt.show()

sns.lineplot(df)

plt.show()

#df = pd.DataFrame(model)

#sns.pairplot(df, height=1.5)

with open('model.sav', 'wb') as fp_model: #学習モデルを保存するためのファイルを開く

pickle.dump(model, fp_model) #モデルを保存

print('Model created.')

#-----------------------------start gesture measuring-----------------------------------------------

elif keys=='g':

print("=================Test Input MODE================ ")

serTch('imut.csv', 10, 1, 'COM28')

with open('model.sav', 'rb') as fp_model: # 学習モデルファイルを開く

loaded_model = pickle.load(fp_model) # モデルをロード

print('Do any gesture!')

with open('imut.csv', 'rb') as fs:

writer = csv.writer(fs)

dfs = pd.read_csv("imut.csv", sep=",", header=None, names=['gnum', 'lx', 'ly', 'lz'])

print(dfs)

arr2=dfs.to_numpy()

print("arr2=", end='')

print(arr2)

test_arr=arr2[:,1:]

print("test_arr=",end='')

print(test_arr)

pre = loaded_model.predict(test_arr) # ジェスチャの判定

print('********************This gesture is No.', pre)

sns.lineplot(dfs)

plt.show()

①IMUサンプリング
ＩＭＵのサンプリング関数でジェスチャー毎にサンプリングして、ＣＳＶファイルに保存する。
gnum,lax,lay,laz　　の4列を１行とするＣＳＶファイルgnumがジェスチャー番号で
３つのジェスチャーを一つのCSVファイルimu.csvに収納します。

1	-8.79	5.02	-3.01
1	3.13	4.37	-1.12
1	13.53	3.21	-0.52
1	33.54	-4.75	4.99
1	35.86	-10.85	4.63
1	16.28	0.78	0.22
1	1.61	6.81	5.1
1	-22.05	12.4	1.87

②scikit-leanトレーニングデータへのCSVデータ変換
scikit-learnは、pandasのデータフレームは受け入れてくれませんので、
行列フォーマットに変換しないといけません。
arr = df.to_numpy()　＃ここで、pandas DataFrameからnumpyの行列データ　arrに変換しました。

CSVからpandas DataFrame dfへ	変換	numpy の行列データarr
gnum lx ly lz 0 1 -2.39 -3.48 -1.57 1 1 -6.91 -2.71 -1.95 2 1 -28.57 2.07 -4.87 3 1 -27.46 3.36 -3.93 4 1 -22.68 1.74 -3.15	df.to_numpy()	[[ 1. -2.39 -3.48 -1.57] [ 1. -6.91 -2.71 -1.95] [ 1. -28.57 2.07 -4.87] … [ 3. 5.08 -1.25 6.16] [ 3. 3.02 -0.98 2.22] [ 3. 1.61 -0.44 -7.39]]

データ行列とラベル行列にarrをスライスします。
X=arr[:,1:]

X=[[-2.390e+00 -3.480e+00 -1.570e+00]
[-6.910e+00 -2.710e+00 -1.950e+00]
[-2.857e+01 2.070e+00 -4.870e+00]
[-2.746e+01 3.360e+00 -3.930e+00]
[-2.268e+01 1.740e+00 -3.150e+00]
[-9.850e+00 -1.540e+00 -6.100e-01]

Y=arr[:,0]

Y=[1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2.
2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2.
2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2.
2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2.
2. 2. 2. 2. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3.
3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3.
3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3.
3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3. 3.
3. 3. 3. 3. 3. 3.]

●トレーニングデータX YをSVMにいれてFITTING
model = SVC(kernel = ‘linear’, C=1, gamma=1) #学習モデルのパラメータを指定
#model.fit(X,np.ravel(Y)) #学習を行う
model.fit(X, Y) # 学習を行う

●感想
判らなかったのは、トレーニングデータの加工方法で、WEB上では、既成データセットを使っている事例が多く
一からデータを作るやり方が少ないので、わからないままいたので、SVMのデータ入力エラーが多発しました。
要するに、scikit-leranは、行列データしか受け入れてくれないので、行列データをnumpyで作成する以外に方法が
無いということがどこにも書いてなくて、さまよい続けました。ここのサイト様に感謝です。

CSVファイルをpandasで読み込み、scikit-learnで学習させる
https://kakedashi-engineer.appspot.com/2020/03/21/pandas-sklearn/?utm_source=pocket_saves

●以後
IMUのlinear加速度でのピーク判別視点で、トレーニングデータを作成して、学習させてみます。
正解率９８％以上でないと、機械学習の効果が感じられないので、粘ってみます。

信州MAKERS<DIY>

DIY実践してTOTALしたモノ作りとコト作りとリスキリングを目指します

【Python】IMUのScikit-Learn　SVM分類ミスの解析＜Pgｍと論文学習＞

結果として　下記のツリーで分類ができるようです。

データ行列とラベル行列にarrをスライスします。
X=arr[:,1:]

Y=arr[:,0]

●トレーニングデータX YをSVMにいれてFITTING
model = SVC(kernel = ‘linear’, C=1, gamma=1) #学習モデルのパラメータを指定
#model.fit(X,np.ravel(Y)) #学習を行う
model.fit(X, Y) # 学習を行う

CSVファイルをpandasで読み込み、scikit-learnで学習させる
https://kakedashi-engineer.appspot.com/2020/03/21/pandas-sklearn/?utm_source=pocket_saves

More from my site

コメントを残すコメントをキャンセル

2023年11月
月	火	水	木	金	土	日
		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

結果として 下記のツリーで分類ができるようです。

データ行列とラベル行列にarrをスライスします。 X=arr[:,1:]

Y=arr[:,0]

●トレーニングデータX YをSVMにいれてFITTING model = SVC(kernel = ‘linear’, C=1, gamma=1) #学習モデルのパラメータを指定 #model.fit(X,np.ravel(Y)) #学習を行う model.fit(X, Y) # 学習を行う

CSVファイルをpandasで読み込み、scikit-learnで学習させる https://kakedashi-engineer.appspot.com/2020/03/21/pandas-sklearn/?utm_source=pocket_saves

More from my site

コメントを残す コメントをキャンセル

結果として　下記のツリーで分類ができるようです。

データ行列とラベル行列にarrをスライスします。
X=arr[:,1:]

●トレーニングデータX YをSVMにいれてFITTING
model = SVC(kernel = ‘linear’, C=1, gamma=1) #学習モデルのパラメータを指定
#model.fit(X,np.ravel(Y)) #学習を行う
model.fit(X, Y) # 学習を行う

CSVファイルをpandasで読み込み、scikit-learnで学習させる
https://kakedashi-engineer.appspot.com/2020/03/21/pandas-sklearn/?utm_source=pocket_saves

コメントを残すコメントをキャンセル