作成実績

タイタニック

2018年1月28日 by 河副太智 Leave a Comment

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
%matplotlib inline

#データの読込み
df = pd.read_csv('train.csv')

#欠損値処理1　Fareは平均値、乗船地は一般的なSを代入
df['Fare'] = df['Fare'].fillna(df['Fare'].median())
df['Embarked'] = df['Embarked'].fillna('S')

#欠損地処理2
#年齢をfillnaで平均を取るとランダムフォレストの結果が
#訓練スコア　　0.96
#テストスコア　0.80
#年齢は学習において重要なのでNaの場合行ごと削除した結果
#訓練スコア　　0.98
#テストスコア　0.81に上昇した
df=df.dropna(subset=['Age'])

#カテゴリ変数の変換
df['Sex'] = df['Sex'].apply(lambda x: 1 if x == 'male' else 0)
df['Embarked'] = df['Embarked'].map( {'S': 0, 'C': 1, 'Q': 2} ).astype(int)


#学習に不要と思われるデータを削除
df = df.drop(['Cabin','Name','PassengerId','Ticket'],axis=1)


#訓練データとテストデータに分離
train_X = df.drop('Survived', axis=1)
train_y = df.Survived
(train_X, test_X ,train_y, test_y) = train_test_split(train_X, train_y, test_size = 0.3, random_state = 666)



#複数のモデル構築でどの分類器がベストかを調べる
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.linear_model import LinearRegression
from sklearn.linear_model import Ridge


#決定木
ki = DecisionTreeClassifier(random_state=0).fit(train_X, train_y)

#ランダムフォレスト
mori = RandomForestClassifier(random_state=0).fit(train_X,train_y)

#ロジスティック回帰
logi = LogisticRegression(C=0.1).fit(train_X,train_y)

#KNN
KNN = KNeighborsClassifier(4).fit(train_X,train_y)

#SVC
svc = SVC(probability=True).fit(train_X,train_y)

#linear
linear = LinearRegression().fit(train_X,train_y)

#ridge
ridge = Ridge(alpha=1).fit(train_X,train_y)


data ={"clf": ["tree", "forest","logistic","KNN","svc","Linear","Ridge"],
      "traning score":[(ki.score(train_X,train_y)),(mori.score(train_X,train_y)),
                      (logi.score(train_X,train_y)),(KNN.score(train_X,train_y)),
                      (svc.score(train_X,train_y)),(linear.score(train_X,train_y)),
                       (ridge.score(train_X,train_y))],      
      "test score":[(ki.score(test_X,test_y)),(mori.score(test_X,test_y)),
                   logi.score(train_X,train_y),(KNN.score(test_X,test_y)),
                   (svc.score(test_X,test_y)),(linear.score(train_X,train_y)),(ridge.score(train_X,train_y))]
      }

frame = pd.DataFrame(data,index=["tree", "forest","logistic","KNN","svc","Linear","Ridge"])


frame.plot(kind="bar")

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.model_selection import train_test_split

%matplotlib inline

#データの読込み

df = pd.read_csv('train.csv')

#欠損値処理1　Fareは平均値、乗船地は一般的なSを代入

df['Fare'] = df['Fare'].fillna(df['Fare'].median())

df['Embarked'] = df['Embarked'].fillna('S')

#欠損地処理2

#年齢をfillnaで平均を取るとランダムフォレストの結果が

#訓練スコア　　0.96

#テストスコア　0.80

#年齢は学習において重要なのでNaの場合行ごと削除した結果

#訓練スコア　　0.98

#テストスコア　0.81に上昇した

df=df.dropna(subset=['Age'])

#カテゴリ変数の変換

df['Sex'] = df['Sex'].apply(lambda x: 1 if x == 'male' else 0)

df['Embarked'] = df['Embarked'].map( {'S': 0, 'C': 1, 'Q': 2} ).astype(int)

#学習に不要と思われるデータを削除

df = df.drop(['Cabin','Name','PassengerId','Ticket'],axis=1)

#訓練データとテストデータに分離

train_X = df.drop('Survived', axis=1)

train_y = df.Survived

(train_X, test_X ,train_y, test_y) = train_test_split(train_X, train_y, test_size = 0.3, random_state = 666)

#複数のモデル構築でどの分類器がベストかを調べる

from sklearn.tree import DecisionTreeClassifier

from sklearn.ensemble import RandomForestClassifier

from sklearn.linear_model import LogisticRegression

from sklearn.neighbors import KNeighborsClassifier

from sklearn.svm import SVC

from sklearn.linear_model import LinearRegression

from sklearn.linear_model import Ridge

#決定木

ki = DecisionTreeClassifier(random_state=0).fit(train_X, train_y)

#ランダムフォレスト

mori = RandomForestClassifier(random_state=0).fit(train_X,train_y)

#ロジスティック回帰

logi = LogisticRegression(C=0.1).fit(train_X,train_y)

#KNN

KNN = KNeighborsClassifier(4).fit(train_X,train_y)

#SVC

svc = SVC(probability=True).fit(train_X,train_y)

#linear

linear = LinearRegression().fit(train_X,train_y)

#ridge

ridge = Ridge(alpha=1).fit(train_X,train_y)

data ={"clf": ["tree", "forest","logistic","KNN","svc","Linear","Ridge"],

"traning score":[(ki.score(train_X,train_y)),(mori.score(train_X,train_y)),

(logi.score(train_X,train_y)),(KNN.score(train_X,train_y)),

(svc.score(train_X,train_y)),(linear.score(train_X,train_y)),

(ridge.score(train_X,train_y))],

"test score":[(ki.score(test_X,test_y)),(mori.score(test_X,test_y)),

logi.score(train_X,train_y),(KNN.score(test_X,test_y)),

(svc.score(test_X,test_y)),(linear.score(train_X,train_y)),(ridge.score(train_X,train_y))]

}

frame = pd.DataFrame(data,index=["tree", "forest","logistic","KNN","svc","Linear","Ridge"])

frame.plot(kind="bar")

機械学習コード全体像

2018年1月16日 by 河副太智 Leave a Comment

Machine LearningPython

# Import libraries and modules
import numpy as np
import pandas as pd
 
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.externals import joblib 
 
# Load red wine data.
dataset_url = 'http://mlr.cs.umass.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv'
data = pd.read_csv(dataset_url, sep=';')
 
# Split data into training and test sets
y = data.quality
X = data.drop('quality', axis=1)
X_train, X_test, y_train, y_test = train_test_split(X, y, 
                                                    test_size=0.2, 
                                                    random_state=123, 
                                                    stratify=y)
 
# Declare data preprocessing steps
pipeline = make_pipeline(preprocessing.StandardScaler(), 
                         RandomForestRegressor(n_estimators=100))
 
# Declare hyperparameters to tune
hyperparameters = { 'randomforestregressor__max_features' : ['auto', 'sqrt', 'log2'],
                  'randomforestregressor__max_depth': [None, 5, 3, 1]}
 
# Tune model using cross-validation pipeline
clf = GridSearchCV(pipeline, hyperparameters, cv=10)
 
clf.fit(X_train, y_train)
 
# Refit on the entire training set
# No additional code needed if clf.refit == True (default is True)
 
# Evaluate model pipeline on test data
pred = clf.predict(X_test)
print r2_score(y_test, pred)
print mean_squared_error(y_test, pred)
 
# Save model for future use
joblib.dump(clf, 'rf_regressor.pkl')
# To load: clf2 = joblib.load('rf_regressor.pkl')

Machine LearningPython

# Import libraries and modules

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn import preprocessing

from sklearn.ensemble import RandomForestRegressor

from sklearn.pipeline import make_pipeline

from sklearn.model_selection import GridSearchCV

from sklearn.metrics import mean_squared_error, r2_score

from sklearn.externals import joblib

# Load red wine data.

dataset_url = 'http://mlr.cs.umass.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv'

data = pd.read_csv(dataset_url, sep=';')

# Split data into training and test sets

y = data.quality

X = data.drop('quality', axis=1)

X_train, X_test, y_train, y_test = train_test_split(X, y,

test_size=0.2,

random_state=123,

stratify=y)

# Declare data preprocessing steps

pipeline = make_pipeline(preprocessing.StandardScaler(),

RandomForestRegressor(n_estimators=100))

# Declare hyperparameters to tune

hyperparameters = { 'randomforestregressor__max_features' : ['auto', 'sqrt', 'log2'],

'randomforestregressor__max_depth': [None, 5, 3, 1]}

# Tune model using cross-validation pipeline

clf = GridSearchCV(pipeline, hyperparameters, cv=10)

clf.fit(X_train, y_train)

# Refit on the entire training set

# No additional code needed if clf.refit == True (default is True)

# Evaluate model pipeline on test data

pred = clf.predict(X_test)

print r2_score(y_test, pred)

print mean_squared_error(y_test, pred)

# Save model for future use

joblib.dump(clf, 'rf_regressor.pkl')

# To load: clf2 = joblib.load('rf_regressor.pkl')

ユーザー、自分の問いに答える(アイリス)

2018年1月1日 by 河副太智 Leave a Comment

ユーザーがアイリスの形状を4種類指定して、
それがどの種類のアイリスになるのかを予測する

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import sklearn
import mglearn

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from IPython.display import display
from sklearn.neighbors import KNeighborsClassifier

%matplotlib inline


iris_dataset = load_iris()

#花の特徴左からガクの長さ、ガクの幅、花弁の長さ、花弁の幅
#トータル150のデータの内10個を表示
print("◆最初の10個のカラムデータ:\n\n{}".format(iris_dataset["data"][:10]))

#上記のdataに対する答え [0=setosa,1=versicolor,2=virginica]
print("\n◆上記データに対する答え [0=setosa,1=versicolor,2=virginica]:\n{}".format(iris_dataset["target"][:10]))

#学習用に75%テスト用に25%に分ける
X_train,X_test,y_train, y_test = train_test_split(
    iris_dataset["data"],iris_dataset["target"],random_state=0)

#X_trainは(112, 4)となる、これは上記で75%に分けた112の花びらのデータ数と
#そのデータの要素4つ分になる
print("\n◆75%に分けた112の花びらのデータ数とそのデータの要素4つ:\n{}".format(X_train.shape))

#y_trainは(112)となる、これは上記で75%に分けた花びらの種類の答え(0,1,2)の
#どれか一つが入っている
print("\n◆75%に分けた花びらの種類の答え(0,1,2)のどれか一つ:\n{}".format(y_train.shape))

#X_testは(38,4)となるこれは上記で25%に分けた38の花びらのデータ数と
#そのデータの要素4つ分になる
print("\n◆25%に分けた38の花びらのデータ数とそのデータの要素4つ分:\n{}".format(X_test.shape))

#y_test shapeは(38.)となるこれは上記で25%に分けた花びらの種類の答え(0,1,2)の
#どれか一つが入っている
print("\n◆25%に分けた38の花びらの種類の答え(0,1,2)のどれか一つ:\n{}".format(y_test.shape))

#[データの検査]
#答えである(0,1,2)がある程度分離できているかどうかを可視化する
#アイリスの種類ごとに色を変えて表示する、この場合は３点がある程度分離できていれば
#訓練できる可能性が高いと言える、逆にゴチャゴチャであれば学習は難しい

#1.X_trainのデータからDataFrameを作る
#iris_dataset.feature_namesの文字列をつかってカラムに名前を付ける
iris_dataframe = pd.DataFrame(X_train,columns=iris_dataset.feature_names)

#データフレームからscatter matrixを作成し、y_trainに従って色をつける
pd.plotting.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker="o",
                        hist_kwds={"bins":20},s=60,alpha=.8,cmap=mglearn.cm3)

#KNeighborsClassifierをfitで(X_train,y_train)を予測
knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(X_train,y_train)


#KNeighborsClassifierにて行った予測の精度を確認
print("◆KNeighborsClassifierにて行った予測の精度を確認:\n{:.2f}".format(knn.score(X_test, y_test)))


#ユーザーからの問いに対する予測を行う[5,2.9,1,0.2]がユーザーからの問い
X_new = np.array([[5,2.9,1,0.2]])

#元のX_test.shapeと同じ配列でなければいけないので配列形式を確認
print("◆元のデータの配列形式:\n{}".format(iris_dataset["data"][:1]))
print("◆ユーザーデータの配列形式(元と同じ形なのでOK):\n{}".format(X_new))



prediction = knn.predict(X_new)
print("◆0,1,2のどれを選択したか:\n{}".format(prediction))
print("◆ターゲット（花の名前):\n{}".format(iris_dataset["target_names"][prediction]))

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

import sklearn

import mglearn

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from IPython.display import display

from sklearn.neighbors import KNeighborsClassifier

%matplotlib inline

iris_dataset = load_iris()

#花の特徴左からガクの長さ、ガクの幅、花弁の長さ、花弁の幅

#トータル150のデータの内10個を表示

print("◆最初の10個のカラムデータ:\n\n{}".format(iris_dataset["data"][:10]))

#上記のdataに対する答え [0=setosa,1=versicolor,2=virginica]

print("\n◆上記データに対する答え [0=setosa,1=versicolor,2=virginica]:\n{}".format(iris_dataset["target"][:10]))

#学習用に75%テスト用に25%に分ける

X_train,X_test,y_train, y_test = train_test_split(

iris_dataset["data"],iris_dataset["target"],random_state=0)

#X_trainは(112, 4)となる、これは上記で75%に分けた112の花びらのデータ数と

#そのデータの要素4つ分になる

print("\n◆75%に分けた112の花びらのデータ数とそのデータの要素4つ:\n{}".format(X_train.shape))

#y_trainは(112)となる、これは上記で75%に分けた花びらの種類の答え(0,1,2)の

#どれか一つが入っている

print("\n◆75%に分けた花びらの種類の答え(0,1,2)のどれか一つ:\n{}".format(y_train.shape))

#X_testは(38,4)となるこれは上記で25%に分けた38の花びらのデータ数と

#そのデータの要素4つ分になる

print("\n◆25%に分けた38の花びらのデータ数とそのデータの要素4つ分:\n{}".format(X_test.shape))

#y_test shapeは(38.)となるこれは上記で25%に分けた花びらの種類の答え(0,1,2)の

#どれか一つが入っている

print("\n◆25%に分けた38の花びらの種類の答え(0,1,2)のどれか一つ:\n{}".format(y_test.shape))

#[データの検査]

#答えである(0,1,2)がある程度分離できているかどうかを可視化する

#アイリスの種類ごとに色を変えて表示する、この場合は３点がある程度分離できていれば

#訓練できる可能性が高いと言える、逆にゴチャゴチャであれば学習は難しい

#1.X_trainのデータからDataFrameを作る

#iris_dataset.feature_namesの文字列をつかってカラムに名前を付ける

iris_dataframe = pd.DataFrame(X_train,columns=iris_dataset.feature_names)

#データフレームからscatter matrixを作成し、y_trainに従って色をつける

pd.plotting.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker="o",

hist_kwds={"bins":20},s=60,alpha=.8,cmap=mglearn.cm3)

#KNeighborsClassifierをfitで(X_train,y_train)を予測

knn = KNeighborsClassifier(n_neighbors=1)

knn.fit(X_train,y_train)

#KNeighborsClassifierにて行った予測の精度を確認

print("◆KNeighborsClassifierにて行った予測の精度を確認:\n{:.2f}".format(knn.score(X_test, y_test)))

#ユーザーからの問いに対する予測を行う[5,2.9,1,0.2]がユーザーからの問い

X_new = np.array([[5,2.9,1,0.2]])

#元のX_test.shapeと同じ配列でなければいけないので配列形式を確認

print("◆元のデータの配列形式:\n{}".format(iris_dataset["data"][:1]))

print("◆ユーザーデータの配列形式(元と同じ形なのでOK):\n{}".format(X_new))

prediction = knn.predict(X_new)

print("◆0,1,2のどれを選択したか:\n{}".format(prediction))

print("◆ターゲット（花の名前):\n{}".format(iris_dataset["target_names"][prediction]))

結果

◆最初の10個のカラムデータ:

[[ 5.1  3.5  1.4  0.2]
 [ 4.9  3.   1.4  0.2]
 [ 4.7  3.2  1.3  0.2]
 [ 4.6  3.1  1.5  0.2]
 [ 5.   3.6  1.4  0.2]
 [ 5.4  3.9  1.7  0.4]
 [ 4.6  3.4  1.4  0.3]
 [ 5.   3.4  1.5  0.2]
 [ 4.4  2.9  1.4  0.2]
 [ 4.9  3.1  1.5  0.1]]

◆上記データに対する答え [0=setosa,1=versicolor,2=virginica]:
[0 0 0 0 0 0 0 0 0 0]

◆75%に分けた112の花びらのデータ数とそのデータの要素4つ:
(112, 4)

◆75%に分けた花びらの種類の答え(0,1,2)のどれか一つ:
(112,)

◆25%に分けた38の花びらのデータ数とそのデータの要素4つ分:
(38, 4)

◆25%に分けた38の花びらの種類の答え(0,1,2)のどれか一つ:
(38,)
◆KNeighborsClassifierにて行った予測の精度を確認:
0.97
◆元のデータの配列形式:
[[ 5.1  3.5  1.4  0.2]]
◆ユーザーデータの配列形式(元と同じ形なのでOK):
[[ 5.   2.9  1.   0.2]]
◆0,1,2のどれを選択したか:
[0]
◆ターゲット（花の名前):
['setosa']

◆最初の10個のカラムデータ:

[[ 5.1 3.5 1.4 0.2]

[ 4.9 3. 1.4 0.2]

[ 4.7 3.2 1.3 0.2]

[ 4.6 3.1 1.5 0.2]

[ 5. 3.6 1.4 0.2]

[ 5.4 3.9 1.7 0.4]

[ 4.6 3.4 1.4 0.3]

[ 5. 3.4 1.5 0.2]

[ 4.4 2.9 1.4 0.2]

[ 4.9 3.1 1.5 0.1]]

◆上記データに対する答え [0=setosa,1=versicolor,2=virginica]:

[0 0 0 0 0 0 0 0 0 0]

◆75%に分けた112の花びらのデータ数とそのデータの要素4つ:

(112, 4)

◆75%に分けた花びらの種類の答え(0,1,2)のどれか一つ:

(112,)

◆25%に分けた38の花びらのデータ数とそのデータの要素4つ分:

(38, 4)

◆25%に分けた38の花びらの種類の答え(0,1,2)のどれか一つ:

(38,)

◆KNeighborsClassifierにて行った予測の精度を確認:

0.97

◆元のデータの配列形式:

[[ 5.1 3.5 1.4 0.2]]

◆ユーザーデータの配列形式(元と同じ形なのでOK):

[[ 5. 2.9 1. 0.2]]

◆0,1,2のどれを選択したか:

[0]

◆ターゲット（花の名前):

['setosa']

LSTM時系列解析　全体像

2017年12月31日 by 河副太智 Leave a Comment

LSTM時系列解析

import numpy
import matplotlib.pyplot as plt
from pandas import read_csv
import math
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error

#以下にコードを書いてください
# データセットの作成
def create_dataset(dataset, look_back):
	dataX, dataY = [], []
	for i in range(len(dataset)-look_back-1):
		a = dataset[i:(i+look_back), 0]
		dataX.append(a)
		dataY.append(dataset[i + look_back, 0])
	return numpy.array(dataX), numpy.array(dataY)
# 乱数設定
numpy.random.seed(7)
# データセットの読み込み　
dataframe = read_csv('nikkei225.csv', usecols=[1], engine='python', skipfooter=3)
dataset = dataframe.values
dataset = dataset.astype('float32')
# 訓練データ、テストデータに分ける
train_size = int(len(dataset) * 0.67)
test_size = len(dataset) - train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]

# データのスケーリング
scaler = MinMaxScaler(feature_range=(0, 1))
scaler_train = scaler.fit(train)
train = scaler_train.transform(train)
test = scaler_train.transform(test)

# データの作成
look_back = 10
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)
# データの整形
trainX = numpy.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))
testX = numpy.reshape(testX, (testX.shape[0], testX.shape[1], 1))
# LSTMモデルの作成と学習
model = Sequential()
model.add(LSTM(64, return_sequences=True,input_shape=(look_back, 1)))
model.add(LSTM(32))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=10, batch_size=1, verbose=2)

# 予測データの作成
trainPredict = model.predict(trainX)
testPredict = model.predict(testX)

# スケールしたデータを元に戻す
trainPredict = scaler_train.inverse_transform(trainPredict)
trainY = scaler_train.inverse_transform([trainY])
testPredict = scaler_train.inverse_transform(testPredict)
testY = scaler_train.inverse_transform([testY])

# 予測精度の計算
trainScore = math.sqrt(mean_squared_error(trainY[0], trainPredict[:,0]))
print('Train Score: %.2f RMSE' % (trainScore))
testScore = math.sqrt(mean_squared_error(testY[0], testPredict[:,0]))
print('Test Score: %.2f RMSE' % (testScore))

# プロットのためのデータ整形
trainPredictPlot = numpy.empty_like(dataset)
trainPredictPlot[:, :] = numpy.nan
trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict
testPredictPlot = numpy.empty_like(dataset)
testPredictPlot[:, :] = numpy.nan
testPredictPlot[len(trainPredict)+(look_back*2)+1:len(dataset)-1, :] = testPredict
# テストデータのプロット
plt.plot(dataframe[round(len(dataset)*0.67):])
plt.plot(testPredictPlot)
plt.show()

import numpy

import matplotlib.pyplot as plt

from pandas import read_csv

import math

from keras.models import Sequential

from keras.layers import Dense

from keras.layers import LSTM

from sklearn.preprocessing import MinMaxScaler

from sklearn.metrics import mean_squared_error

#以下にコードを書いてください

# データセットの作成

def create_dataset(dataset, look_back):

dataX, dataY = [], []

for i in range(len(dataset)-look_back-1):

a = dataset[i:(i+look_back), 0]

dataX.append(a)

dataY.append(dataset[i + look_back, 0])

return numpy.array(dataX), numpy.array(dataY)

# 乱数設定

numpy.random.seed(7)

# データセットの読み込み　

dataframe = read_csv('nikkei225.csv', usecols=[1], engine='python', skipfooter=3)

dataset = dataframe.values

dataset = dataset.astype('float32')

# 訓練データ、テストデータに分ける

train_size = int(len(dataset) * 0.67)

test_size = len(dataset) - train_size

train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]

# データのスケーリング

scaler = MinMaxScaler(feature_range=(0, 1))

scaler_train = scaler.fit(train)

train = scaler_train.transform(train)

test = scaler_train.transform(test)

# データの作成

look_back = 10

trainX, trainY = create_dataset(train, look_back)

testX, testY = create_dataset(test, look_back)

# データの整形

trainX = numpy.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))

testX = numpy.reshape(testX, (testX.shape[0], testX.shape[1], 1))

# LSTMモデルの作成と学習

model = Sequential()

model.add(LSTM(64, return_sequences=True,input_shape=(look_back, 1)))

model.add(LSTM(32))

model.add(Dense(1))

model.compile(loss='mean_squared_error', optimizer='adam')

model.fit(trainX, trainY, epochs=10, batch_size=1, verbose=2)

# 予測データの作成

trainPredict = model.predict(trainX)

testPredict = model.predict(testX)

# スケールしたデータを元に戻す

trainPredict = scaler_train.inverse_transform(trainPredict)

trainY = scaler_train.inverse_transform([trainY])

testPredict = scaler_train.inverse_transform(testPredict)

testY = scaler_train.inverse_transform([testY])

# 予測精度の計算

trainScore = math.sqrt(mean_squared_error(trainY[0], trainPredict[:,0]))

print('Train Score: %.2f RMSE' % (trainScore))

testScore = math.sqrt(mean_squared_error(testY[0], testPredict[:,0]))

print('Test Score: %.2f RMSE' % (testScore))

# プロットのためのデータ整形

trainPredictPlot = numpy.empty_like(dataset)

trainPredictPlot[:, :] = numpy.nan

trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict

testPredictPlot = numpy.empty_like(dataset)

testPredictPlot[:, :] = numpy.nan

testPredictPlot[len(trainPredict)+(look_back*2)+1:len(dataset)-1, :] = testPredict

# テストデータのプロット

plt.plot(dataframe[round(len(dataset)*0.67):])

plt.plot(testPredictPlot)

plt.show()

結果

Epoch 1/10
44s - loss: 0.0040
Epoch 2/10
44s - loss: 0.0013
Epoch 3/10
43s - loss: 0.0011
Epoch 4/10
44s - loss: 7.8079e-04
Epoch 5/10
44s - loss: 5.9064e-04
Epoch 6/10
44s - loss: 5.5586e-04
Epoch 7/10
43s - loss: 5.2437e-04
Epoch 8/10
43s - loss: 5.4960e-04
Epoch 9/10
43s - loss: 5.3203e-04
Epoch 10/10
44s - loss: 4.9286e-04
Train Score: 270.96 RMSE
Test Score: 144.13 RMSE

Epoch 1/10

44s - loss: 0.0040

Epoch 2/10

44s - loss: 0.0013

Epoch 3/10

43s - loss: 0.0011

Epoch 4/10

44s - loss: 7.8079e-04

Epoch 5/10

44s - loss: 5.9064e-04

Epoch 6/10

44s - loss: 5.5586e-04

Epoch 7/10

43s - loss: 5.2437e-04

Epoch 8/10

43s - loss: 5.4960e-04

Epoch 9/10

43s - loss: 5.3203e-04

Epoch 10/10

44s - loss: 4.9286e-04

Train Score: 270.96 RMSE

Test Score: 144.13 RMSE