###### tags: '研究関係'
# 機械学習を使って移動タグと静止タグの識別をしてみようの会
## 使用するアルゴリズムについて
- ランダムフォレストを使用
- scikit-learnで実装する
- 参考URL↓
https://qiita.com/Hawaii/items/5831e667723b66b46fba
https://ebi-works.com/random-forest/

## データセット
- 使用するデータセットはこれ(statistics.zip)
→ https://drive.google.com/drive/folders/1TGGp7oF-rIL4yP5qoT-_7cQreAznSZOA
- データ構造は下記の通り

   RSSI_average  RSSI_max  RSSI_min  RSSI_variance  Phase_average  Phase_max  Phase_min  Phase_variance   state
0    -52.479592     -39.0     -71.5      74.020408       3.022819   6.221826   0.110447        3.120384  moving
1    -42.360000     -28.5     -60.5      97.918776       2.811664   6.092972   0.122718        3.478058  moving
2    -55.157895     -47.0     -64.0      27.001422       3.518790   6.258642   0.846757        3.324728  moving
3    -53.638889     -50.0     -57.0       6.464869       2.167685   5.743224   0.171806        1.992179  moving
4    -50.095745     -37.0     -68.5      78.833025       2.994200   6.154331   0.153398        3.647578  moving
.
.

- 30-5は静止タグ30枚、移動タグ5枚の場合のデータをまとめたもの。(5-30は静止タグ5枚、移動タグ30枚)

## ランダムフォレストにデータを投げ込む
- 参考URLを、今回のデータセットに合わせながら投げ込むだけ。
- Nan値が含まれているとエラー吐かれるので、エラーが出たらその都度ファイルを確認することをおすすめします。
- 今回のコード↓

import pandas as pd
import numpy as np
import datetime
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

#データ読み込み
df30_5 = pd.read_csv("/Users/pluslab/Documents/RFID/30-5/alldata.csv")
df5_30 = pd.read_csv("/Users/pluslab/Documents/RFID/5-30/alldata.csv")
df_all = pd.read_csv("/Users/pluslab/Desktop/all.csv")


# データセットの外観確認
# print(df30_5.shape)
print(df30_5.head())


# moving = 0, static = 1 に変換
df30_5["state"] = df30_5["state"].replace("moving", 0)
df30_5["state"] = df30_5["state"].replace("static", 1)
df30_5 = pd.get_dummies(df30_5,drop_first = True)

df5_30["state"] = df5_30["state"].replace("moving", 0)
df5_30["state"] = df5_30["state"].replace("static", 1)
df5_30 = pd.get_dummies(df5_30,drop_first = True)

df_all["state"] = df_all["state"].replace("moving", 0)
df_all["state"] = df_all["state"].replace("static", 1)
df_all = pd.get_dummies(df_all,drop_first = True)


# 指定の列にNan値が存在するかどうかを確認
for idx in df30_5.index:
    if np.isnan(df30_5.loc[idx, 'RSSI_variance']):
        print(idx)
  
for idx in df5_30.index:
    if np.isnan(df5_30.loc[idx, 'RSSI_variance']):
        print(idx)


# 訓練データとテストデータに分割
train_data1 = df30_5.drop("state", axis = 1)
y1 = df30_5["state"].values
X1 = train_data1.values
X1_train, X1_test, y1_train, y1_test = train_test_split(X1, y1, test_size = 0.2, random_state = 0)

train_data2 = df5_30.drop("state", axis = 1)
y2 = df5_30["state"].values
X2 = train_data2.values
X2_train, X2_test, y2_train, y2_test = train_test_split(X2, y2, test_size = 0.2, random_state = 0)

train_data3 = df_all.drop("state", axis = 1)
y3 = df_all["state"].values
X3 = train_data3.values
X3_train, X3_test, y3_train, y3_test = train_test_split(X3, y3, test_size = 0.2, random_state = 0)


# ランダムフォレストに投げ込む
clf = RandomForestClassifier(random_state = 0)
clf.fit(X1_train, y1_train)
clf.fit(X2_train, y2_train)
clf.fit(X3_train, y3_train)


# スコア表示
print("-------------score-------------")
print("30-5:", clf.score(X1_test, y1_test))
print("5-30:", clf.score(X2_test, y2_test))
print("all:", clf.score(X3_test, y3_test))

## 結果
- 30-5, 5-30, allの3パターン(allは30-5と5-30のデータを全てまとめた場合)

-------------score-------------
30-5: 1.0
5-30: 1.0
all: 0.9997601918465228

- かなり良い精度が出てしまったので、本当にこれで良いものかと困惑しているところです...
- その他の手法でも精度がどれくらい出るのかを調べたい