scikit-learn をインストールする¶

2016/04/10

インストール時に NumPy/SciPy については Christoph Gohlke provides pre-built Windows installers のものを利用する。

他は PyPI に上がっている whl を利用する。

それですべてなんだけど、とりあえず以下で jupyter-notebook を起動するところまで書いてみる。

1. あらかじめ必要な whl ファイルをダウンロードする ¶

Christoph Gohlke provides pre-built Windows installers より必要な NumPy/SciPy の whl ファイルをダウンロードする。

Python 3.4 の場合 ¶

numpy-1.11.0+mkl-cp34-cp34m-win_amd64.whl
scipy-0.17.0-cp34-none-win_amd64.whl

Python 3.5 の場合 ¶

numpy-1.11.0+mkl-cp35-cp35m-win_amd64.whl
scipy-0.17.0-cp35-none-win_amd64.whl

2. 環境に必要なパッケージをインストールする ¶

以下のパッケージは PyPI 上に whl ファイルがあるので、特に何の必要もなく pip によってインストールができる。

pandas
matplotlib
sympy
jupyter
scikit-learn

以下の手順では venv ( 参考記事 ) にパッケージをインストールする事を前提としている。 venv は環境を分けるのに便利なので、利用すると良いと思う。

前提 ¶

C:\Python\3.x.y.amd64\python.exe に Python の 3.x.y をインストールしている事を前提としている。
C:\path\to は手順 1 でダウンロードしたディレクトリを想定している。

Python 3.4 の場合の手順 ¶

> C:\Python\3.4.4.amd64\python.exe -m venv --copies --clear venv344
> .\venv344\Scripts\python.exe -m pip install -U setuptools pip
> .\venv344\Scripts\python.exe -m pip install -U C:\path\to\numpy-1.11.0+mkl-cp34-cp34m-win_amd64.whl
> .\venv344\Scripts\python.exe -m pip install -U pandas matplotlib sympy jupyter
> .\venv344\Scripts\python.exe -m pip install -U C:\path\to\scipy-0.17.0-cp34-none-win_amd64.whl
> .\venv344\Scripts\python.exe -m pip install -U scikit-learn

この状態で jupyter-notebook を起動する場合は以下のコマンドで起動する。

> .\venv344\Scripts\jupyter-notebook --port=8888 --no-browser

Python 3.5 の場合の手順 ¶

> C:\Python\3.5.1.amd64\python.exe -m venv --copies --clear venv351
> .\venv351\Scripts\python.exe -m pip install -U setuptools pip
> .\venv351\Scripts\python.exe -m pip install -U C:\path\to\numpy-1.11.0+mkl-cp35-cp35m-win_amd64.whl
> .\venv351\Scripts\python.exe -m pip install -U pandas matplotlib sympy jupyter
> .\venv351\Scripts\python.exe -m pip install -U C:\path\to\scipy-0.17.0-cp35-none-win_amd64.whl
> .\venv351\Scripts\python.exe -m pip install -U scikit-learn

この状態で jupyter-notebook を起動する場合は以下のコマンドで起動する。

> .\venv351\Scripts\jupyter-notebook --port=8888 --no-browser

X. 動作確認 ¶

SciPy/scikit-learn はそれぞれ以下の手順で動作確認できると思う。

SciPy ¶

確認手順は Getting Started — SciPy.org - An example session の手順をお借りした。

%matplotlib inline

from __future__ import print_function
import matplotlib.pyplot as plt
import numpy as np
from scipy import optimize, special

sol = optimize.minimize(lambda x: -special.jv(3, x), 1.0)
x = np.linspace(0, 10, 5000)
plt.plot(x, special.jv(3, x), '-', sol.x, -sol.fun, 'o')

scikit-learn ¶

確認手順は scikit-learn を使った回帰モデルとその可視化 - Qiita の手順をお借りした。

%matplotlib inline

from __future__ import print_function
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from sklearn import linear_model
from sklearn.datasets.samples_generator import make_regression

# サンプルデータからの訓練データ生成
X, y = make_regression(
   n_samples=100, n_features=2, n_informative=1,
   random_state=0, noise=50)

# 訓練データと試験データの分割
X_train, X_test = X[:80], X[-20:]
y_train, y_test = y[:80], y[-20:]

# 分類器の訓練
regr = linear_model.LinearRegression()
regr.fit(X_train, y_train)
print(u'### 推定値を表示する ###')
print(regr.coef_)

# 値の予測
X1 = np.array([1.2, 4])
print(u'### 予測値を表示する ###')
print(regr.predict(X1))

# 評価
print(u'### 結果を評価する ###')
print(regr.score(X_test, y_test))

# 可視化
fig = plt.figure(figsize=(8, 5))
ax = fig.add_subplot(111, projection='3d')

# Data
ax.scatter(X_train[:, 0], X_train[:, 1], y_train, facecolor='#00CC00')
ax.scatter(X_test[:, 0], X_test[:, 1], y_test, facecolor='#FF7800')

coef = regr.coef_
line = lambda x1, x2: coef[0] * x1 + coef[1] * x2

grid_x1, grid_x2 = np.mgrid[-2:2:10j, -2:2:10j]
ax.plot_surface(grid_x1, grid_x2, line(grid_x1, grid_x2),
                alpha=0.1, color='k')
ax.xaxis.set_visible(False)
ax.yaxis.set_visible(False)
ax.zaxis.set_visible(False)
plt.show()