[4-1] NumPy, matplotlibに加えて、pandasをインポートします。
In [1]:
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
[4-2] タイタニック号のデータを読み込んで、データフレーム data に格納します。
In [2]:
data = pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic3.csv')
[4-3] scikit-learnの機械学習モジュールをインポートします。
In [3]:
from sklearn.cross_validation import cross_val_score, KFold
from sklearn.linear_model import LogisticRegression
[4-4] 年齢（age）、性別（gender）、生存（survived）を取り出したデータフレームを用意します。
In [4]:
tmp = data[['age', 'sex', 'survived']].dropna()
tmp['gender'] = tmp['sex'].map({'female': 0, 'male': 1}).astype(int)
features = tmp.drop(['sex'], axis=1)
features.head()
Out[4]:
[4-5] 特徴変数（age, gender）と正解ラベル（survived）を別々の変数に保存します。
In [5]:
X = features[['age', 'gender']]
y = features['survived']
[4-6] クロスバリデーションを実施する関数を定義します。
In [6]:
def cross_val(clf, X, y, K, random_state=0):
cv = KFold(len(y), K, shuffle=True, random_state=random_state)
scores = cross_val_score(clf, X, y, cv=cv)
return scores
[4-7] クロスバリデーションを実施して、結果を表示します。
In [7]:
clf = LogisticRegression()
scores = cross_val(clf, X, y, 5)
print 'Scores:', scores
print 'Mean Score: %f ± %.3f' % (scores.mean(), scores.std())