4月, 2019 - 流行の科学技術を勝手に追いかけるブログ人工知能仮想現実ブロックチェーン

WordPressの初期設定

こんにちは　かずまなぶ(´・ω・`)です。

前回からオウンドメディア化していこうという企画をやっていますが、今回はオウンドメディアに相応しいWordPressの初期設定をしていきたいと思います。

WordPressの初期設定

WordPress アドレス (URL) = https://toyo-interest.com
サイトアドレス (URL) = https://toyo-interest.com
そして、エックスサーバーのSSL設定からhttps化する。参考ブログ

https化は３０分くらいかかるので焦らないこと。

設定＞パーマリンク＞カスタム構造

https://toyo-interest.com /%category%/%postname%/

入れておきたいWordPressプラグイン

All in One SEO　でSEO対策

機能管理＞XMLサイトマップとソーシャルメディアをActiveにします。

ソーシャルメディア＞画像設定＞デフォルトのOG imageをアップロードします。

TinyMCE Advanced　で装飾機能を拡張

エクセルみたいに、機能が増えます。

Duplicate Post　で投稿を複製

記事のフォーマットを用意しておいて、新規投稿するときはこのフォーマットを複製（Duplicate）して使用します。

Shortcodes Ultimate　で装飾機能をさらに拡張

色々な装飾をショートコードボタンから追加できるようになり、スマホにも最適化してくれます。

Shortcodes UltimateでYouTubeを貼ってみます。

Table of Contents Plus　で目次を自動生成

”<h2>あああ</h2><h2>いいい</h2><h2>ううう</h2>”　という感じで見出しを入れるだけで、目次を記事の頭に目次を自動生成してくれます。

さらに設定が必要です。Table of Contents Plusの略でTOCと思われますが、

ダッシュボード＞設定＞TOC+　の中の基本設定で

位置＝最初の見出しの前（デフォルト）

表示条件＝４つ以上見出しがあるとき

以下のコンテンツタイプを自動挿入＝post（投稿ページ）のみにチェックを入れます。

一番下の、3.1.1と3.1.2はどうやったら消えるのでしょうか・・・

Fancier Author Box by ThematoSoup　でプロフィールを設定

設定＞Fancier Author Box by ThematoSoup
投稿画面で表示する = 下部
固定ページで表示する = 上部

このとき投稿画面で表示を上部とか上下両方にしてしまった場合、目次の自動生成で下図のように余計な項目0.0.1 と0.0.2ができてしまいますのでご注意ください。

Disable Comments　でコメントを無効化

ワンクリックでスパムメールを一切受付けなくなります。

設定＞Disable Comments > ”どこでも”にチェックを入れます。

WordPressテーマを使ってみる

OPEN_GAGE

テーマは一つ８０００～１００００円するので、ちょっとわたしにはまだ手が出しにくいのです。もうしばらくは、標準テーマで行こうと思います。

オウンドメディア化を考える

こんにちは　かずまなぶ　(´・ω・`)です。
当該ブログを１段レベルアップすべく、オウンドメディアという考え方を取り入れようと思います。

オウンドメディアとは

直訳すると”自分の所有する媒体”ですが、やっていることは、
”顧客に対して自分独自の情報を発信するWebSite”です。

成功者のマネをしよう

”学ぶ”の語源は”真似る”と言われていますから、すでに成功している、出来上がっているモデルを研究することはとても有効な方法だと思います。WebSiteの構成をよくよく眺めて技を盗みましょう。

HubSpot
LIG
FERRET
LISKUL
バズ部

どういったものを作っていたらよいか、なんとなくイメージが湧いたでしょうか。

WordPressもHTMLだから　ちゃんとタグは守ろう(´・ω・`)

こんにちは　圧倒的　かずまなぶ　(´・ω・`)です。

いままで見出し部分は、見やすさで”引用”を使っていました。

でも、それはHTML的には邪道なので、ここからはちゃんとしていこうと思います。

<h2>大見出し１</h2>

下のimageに意味はありません。

基本構造は

<a href=”https://○○”></a>で画像に対してリンクを貼ります。
この<a>タグのパラメータとして target=”_blank”　を追記し、別タブで開くようにします。
その中に<img src=”https://○○.jpg”>で画像を入れます。
画像タグの内部には画像サイズを指定するwidth=”300″ height=”225″ を入れます。

<a href=”https://toyo-interest.com/wp-content/uploads/2019/01/old_map.jpg”><img class=”aligncenter wp-image-902 size-medium” src=”https://toyo-interest.com/wp-content/uploads/2019/01/old_map-300×225.jpg” alt=”” width=”300″ height=”225″ /></a>

<h3>中見出し１－１リストの構造</h3>

<p1>ここは段落。文章を書いていく場所</p>

<ul><li>ここはun-order-list（順番なしのリスト項目）</li>
<li>ここはun-order-list（順番なしのリスト項目）</li></ul>

<p1>ここはparagraph（段落）。文章を書いていく場所</p>

<ol><li>ここはorder-list（順番ありのリスト項目）</li>
<li>ここはorder-list（順番ありのリスト項目</li></ol>

<h3>中見出し１－２効果的なリンクの貼り方</h3>

２つあるので比較してみましょう。

<h4>中見出し１－２－１アンカーテキスト</h4>

テキストを書いて、それにリンクを貼ります。

例えば < グーグル >

でもなんか寂しいですね。次回はテーマを変更してみます。

メモ：私のブログは誰のために書いているのか

こんにちは　当該webサイト管理人の

”圧倒的かずまなぶ(´・ω・`)”です。

最近は、当該WebSiteを充実させようと思い、友人たちに協力してもらってコンテンツをポストすることが多くなってきました。

初めてから６ヶ月余りが過ぎましたが、お陰様で１日に１０００人を超える方が訪れるようになりました。

このへんで、これからの当該サイトの方向性について考えていこうと思います。

私のサイトは誰のために書いているのか

マーケティングでいうところの”ペルソナ設定”を考えてみましょう。

読んでくれる人を２種類に分けると

顕在的な顧客＝特定の悩みを持っている状態の人
潜在的な顧客＝特に大きな悩みを意識していない状態の人

がいます。

顕在顧客というのは、”明確な課題を持っていて、それに対して直接的な解決方法を提供する対象”のことです。

〇〇しなければならない、という課題に対して、○○する方法！を提供することです。

対して、潜在顧客とは、”漠然として課題を持っていて、それに対して私のコンテテンツが間接的に解決に繋がる対象”のことです。

○○できたらいいなあと漠然と考えている人に対して、△△すれば解決できるかもしれない！を提供することです。

顕在顧客への対応については分かりやすいのですが、潜在顧客に比べて圧倒的に母数が少ないです。

顕在顧客だけをターゲットにしていたのではすぐに頭打ちになってしまいます。

いよいよ、わたくしも意識し始めなければならないと考えています。

そして潜在顧客というのは実は顕在顧客よりも圧倒的に多く、ここからはこの潜在顧客をターゲットにしてコンテンツづくりをします。

特定の誰か

実在する人、例えば自分の友だちでもいいので、具体的な顔を思い浮かべながら考えます。

私の場合はじめたきっかけが、自分のための備忘録です。

近年、新しい技術が目まぐるしく発展する中、どう考えても今の脳みそではINPUTしきれないと考え、記憶箱のような補助脳が欲しいと思っていました。

私自身が顧客ですから、自分がやりたいことを分析すればよいのです。

そうでした。商売でやっているわけではありませんから、１００％自己満足なのです。

やりたい事

私は新しいことが好きです。知的好奇心が旺盛なのです。

かつては、宇宙や航空技術が好きでしたが、近年ではAI、ロボティクス、センシング技術、IOT、web技術、ビックデータ、コンピューティング、ブロックチェーン、VR、MRなど、飽きることがありません。

しかし、これらの技術を単独で学んでもあまり意味はなく、組み合わせることによってこそ大きな成果が出せるのだと考えています。

それらをどのように組み合わせたら、どんな新しいことができるのかを探求していきたいと思っています。何かに向かうのではなく、螺旋を描きながら上へ上へと登って行く過程で、そのようなものを理解し、時代にふるい落とされないように生きて行きたいのです。

そのような、わたしと同じような考え方、生き方をしている人が対象なのでしょう。

ですから、いろんな分野のコンテンツを書いている中で、それぞれが顕在顧客を対象にしており、それらを組み合わせた技術が潜在顧客のニーズを満たすものなのかもしれません。

さいごに

と、いうことで、わたしのブログはお役立ち系ブログと見せかけて、実のところエンターテイメント系なのです。

そうです、

”学びこそ、エンターテイメント(*´﹃｀*)”

なのです。

今しばらくは、自己満ですね。

お知らせ：当該webサイトをSSL化しました

こんばんは Kazu_Manabuです。

当該webサイトをSSL化しました。URLの頭がhttpsになっております。

やり方です。

エックスサーバーを使っているのですが、

まず、エックスサーバーにログイン

インフォパネル内の「サーバー管理」

任意のドメイン名の「選択する」を押す

SSL用アドレスに「https://www.toyo-interest.com/」が追加されます。httpsにちゃんとなっています。

１分位すると反映されます。

次に、wordpressにログイン

ダッシュボードの設定＞URLのhttp://～～～をhttps://～～～に書き換えます。というかsを挿入します。

そして、私の場合は２０分くらい放置してやっと繋がるようになりました。

かなりドキドキしました。

二度とつながらないんじゃないかとか、ハラハラしました。

実はわたくし、

ろくに調べず一番最初にwordpressの設定でhttpをhttpsにいじってしまい、繋がらなくなってしまいました。ログインできないのでダッシュボードに入ることができず、元通りにすることができないという事態に陥りました。

調べていくと、エックスサーバーのインフォパネル内の「サーバー管理」でSSL化しなさいと書いてあったのでやってみたら、うまくいきました。

本当に良かったです。(*´﹃｀*)

機械学習:Scikit-Learn ボストンデータを良く眺めてみる。ついでにKNNの回帰をやる。

Keita_Nakamoriです。

今回は、ボストンの住宅のデータを眺めて行こうと思います。

ついでにKNNの回帰を試していこうと思います。（前回はKNNの分類でした）

モジュール

#ボストンデータ

%matplotlib inline

#今回はインポートするための処理時間を計測しています
import time
start_time=time.time()

#必要なモジュール群
import numpy as np
import pandas as pd
import sklearn
import matplotlib.pyplot as plt
import mglearn

end_time=time.time()
erapsed_time=end_time-start_time

print("処理時間 : ",erapsed_time) #0.6951429843902588

#ボストンデータ

%matplotlib inline

#今回はインポートするための処理時間を計測しています

import time

start_time=time.time()

#必要なモジュール群

import numpy as np

import pandas as pd

import sklearn

import matplotlib.pyplot as plt

import mglearn

end_time=time.time()

erapsed_time=end_time-start_time

print("処理時間 : ",erapsed_time) #0.6951429843902588

ボストンデータをロード

#ボストンデータをロードしましょう
from sklearn.datasets import load_boston

#ボストンデータのインスタンスを作成しましょう
boston=load_boston()

#キーを確認しましょう
boston.keys()
"""
dict_keys(['data', 'target', 'feature_names', 'DESCR'])
"""
#

#ボストンデータをロードしましょう

from sklearn.datasets import load_boston

#ボストンデータのインスタンスを作成しましょう

boston=load_boston()

#キーを確認しましょう

boston.keys()

"""

dict_keys(['data', 'target', 'feature_names', 'DESCR'])

"""

どういうことに使えるでしょうか？

このデータから回帰を行う（学習する）
以降、”特徴量を持つ新規データ”が入ってきたら、その住宅の価格を予測する。理論価格と呼ぶ
理論価格より、新規データの価格が１０％安ければ買いの判断をする

どんな機械学習アルゴリズムが良いでしょうか

多次元の回帰系ですから、KNN-Regressorをやってみましょう。だめだったら他のやつを探してみます。

data とtargetの形を確認しましょう

訓練用データと検証用データに分割しましょう

#data とtargetの形を確認しましょう
boston["data"].shape   #(506, 13) 506データ　特徴量13
boston["target"].shape #(506,)    506データ

#訓練用データと検証用データに分割しましょう
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(boston["data"],boston["target"],random_state=0)

#data とtargetの形を確認しましょう

boston["data"].shape #(506, 13) 506データ　特徴量13

boston["target"].shape #(506,) 506データ

#訓練用データと検証用データに分割しましょう

from sklearn.model_selection import train_test_split

X_train,X_test,y_train,y_test=train_test_split(boston["data"],boston["target"],random_state=0)

特徴量について　featrue_namesを確認しましょう

boston["feature_names"]

"""
array(['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD',
       'TAX', 'PTRATIO', 'B', 'LSTAT'], dtype='<U7')
"""

#feature_namesの記号の意味がわからないので、詳細を確認しましょう
print(boston["DESCR"],"\n")


"""
# boston["DESCR"]だけをprintすると、文字列の羅列が出力されます。
#文字列の中に、改行と思われる"\n"があるので、
 print文の引数に"\n"をいれるとテキストが整列されて見やすくなります。
以下は、英語で出力された属性情報をgoogle翻訳にべたばりして日本語化したものです。
だたい言いたいことは分かります。

：属性情報（順）：
          - 町ごとの一人当たりの犯罪率
          - 住宅地のZN比率が25,000平方フィートを超える敷地に区画されている。
          - 町あたりの非小売業エーカーのINDUS比率
          -  CHAS Charles Riverダミー変数（トラクトが川の境界にある場合は1、それ以外の場合は0）
          - 一酸化窒素濃度（1000万分の1）
          - 住居ごとのRM平均部屋数
          -  1940年以前に建設された所有者居住ユニットのAGE比率
          -  5つのボストンの雇用センターまでのDIS加重距離
          - ラジアルハイウェイへのアクセス可能性のRAD指数
          -  10,000ドルあたりのTAX全額固定資産税率
          - 町によるPTRATIO生徒教師比率
          -  B 1000（Bk  -  0.63）^ 2 Bkは町による黒人の割合である
          - 人口のLSTAT％地位が低い
          -  MEDV 1000ドルでの所有者居住住宅の中央値

"""

#targetの数値の意味がわからないので確認しましょう。

"""
:Median Value (attribute 14) is usually the target
前述の属性情報における　１４番め　MEDVがtargetのようです。

-  単位は1000ドル　所有者居住住宅の中央値

なぜ中央値がtargetなのでしょうか。
どうやら、このデータひとつひとつは、特定の住宅のデータではなく、地域ごとのデータのようです。
なので、MEDVも、とある地域の中央値ということなのでしょう。

"""

boston["feature_names"]

"""

array(['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD',

'TAX', 'PTRATIO', 'B', 'LSTAT'], dtype='<U7')

"""

#feature_namesの記号の意味がわからないので、詳細を確認しましょう

print(boston["DESCR"],"\n")

"""

# boston["DESCR"]だけをprintすると、文字列の羅列が出力されます。

#文字列の中に、改行と思われる"\n"があるので、

print文の引数に"\n"をいれるとテキストが整列されて見やすくなります。

以下は、英語で出力された属性情報をgoogle翻訳にべたばりして日本語化したものです。

だたい言いたいことは分かります。

：属性情報（順）：

- 町ごとの一人当たりの犯罪率

- 住宅地のZN比率が25,000平方フィートを超える敷地に区画されている。

- 町あたりの非小売業エーカーのINDUS比率

- CHAS Charles Riverダミー変数（トラクトが川の境界にある場合は1、それ以外の場合は0）

- 一酸化窒素濃度（1000万分の1）

- 住居ごとのRM平均部屋数

- 1940年以前に建設された所有者居住ユニットのAGE比率

- 5つのボストンの雇用センターまでのDIS加重距離

- ラジアルハイウェイへのアクセス可能性のRAD指数

- 10,000ドルあたりのTAX全額固定資産税率

- 町によるPTRATIO生徒教師比率

- B 1000（Bk - 0.63）^ 2 Bkは町による黒人の割合である

- 人口のLSTAT％地位が低い

- MEDV 1000ドルでの所有者居住住宅の中央値

"""

#targetの数値の意味がわからないので確認しましょう。

"""

:Median Value (attribute 14) is usually the target

前述の属性情報における　１４番め　MEDVがtargetのようです。

- 単位は1000ドル　所有者居住住宅の中央値

なぜ中央値がtargetなのでしょうか。

どうやら、このデータひとつひとつは、特定の住宅のデータではなく、地域ごとのデータのようです。

なので、MEDVも、とある地域の中央値ということなのでしょう。

"""

英語を日本語へ翻訳する方法

前述のようなドキュメントを調べるとき、対象とする分野、業界の用語が列挙されると、そこそこ英語ができても単語の意味がわかりません。

そんなときは逆にチャンスで、ドキュメントをまるごと、google翻訳にかけると、専門用語を英語と日本語で一気に覚えることができます。

私は常に躊躇することなくgoogle翻訳します。

念の為

#アンパックの順番を良く間違うので念の為確認

X_train[:1],X_test[:1],y_train[:1],y_test[:1]

"""ちゃんとあっている
(array([[1.9133e-01, 2.2000e+01, 5.8600e+00, 0.0000e+00, 4.3100e-01,
         5.6050e+00, 7.0200e+01, 7.9549e+00, 7.0000e+00, 3.3000e+02,
         1.9100e+01, 3.8913e+02, 1.8460e+01]]),
 array([[6.7240e-02, 0.0000e+00, 3.2400e+00, 0.0000e+00, 4.6000e-01,
         6.3330e+00, 1.7200e+01, 5.2146e+00, 4.0000e+00, 4.3000e+02,
         1.6900e+01, 3.7521e+02, 7.3400e+00]]),
 array([18.5]),
 array([22.6]))
 """

X_train[:1],X_test[:1],y_train[:1],y_test[:1]

"""ちゃんとあっている

(array([[1.9133e-01, 2.2000e+01, 5.8600e+00, 0.0000e+00, 4.3100e-01,

5.6050e+00, 7.0200e+01, 7.9549e+00, 7.0000e+00, 3.3000e+02,

1.9100e+01, 3.8913e+02, 1.8460e+01]]),

array([[6.7240e-02, 0.0000e+00, 3.2400e+00, 0.0000e+00, 4.6000e-01,

6.3330e+00, 1.7200e+01, 5.2146e+00, 4.0000e+00, 4.3000e+02,

1.6900e+01, 3.7521e+02, 7.3400e+00]]),

array([18.5]),

array([22.6]))

"""

#データフレーム化してデータを眺めてみる

#データフレーム化してデータを眺めてみる
columns=boston["feature_names"] #データフレームの列名を定義df=pd.DataFrame(X_train,columns=columns)
 
df=pd.DataFrame(X_train,columns=columns)
df[:5]

#データフレーム化してデータを眺めてみる

columns=boston["feature_names"] #データフレームの列名を定義df=pd.DataFrame(X_train,columns=columns)

df=pd.DataFrame(X_train,columns=columns)

df[:5]

スキャッターマトリクスを眺めてみる

今回もデカイです。

grr=pd.plotting.scatter_matrix(df,c=y_train,figsize=(20,20),marker="o",hist_kwds={"bins":10},s=100,alpha=0.5)

1	grr=pd.plotting.scatter_matrix(df,c=y_train,figsize=(20,20),marker="o",hist_kwds={"bins":10},s=100,alpha=0.5)

訓練開始

一瞬過ぎて何事も起こってないようですが、ちゃんと計算できています

#訓練開始
from sklearn.neighbors import KNeighborsRegressor
knn=KNeighborsRegressor(n_neighbors=5)
knn

"""
KNeighborsRegressor(algorithm='auto', leaf_size=30, metric='minkowski',
          metric_params=None, n_jobs=1, n_neighbors=5, p=2,
          weights='uniform')
          
デフォルトでは n_neighbors は5個になっていますね。
"""
#機械学習モデルを作成する
knn.fit(X_train,y_train)

#訓練開始

from sklearn.neighbors import KNeighborsRegressor

knn=KNeighborsRegressor(n_neighbors=5)

knn

"""

KNeighborsRegressor(algorithm='auto', leaf_size=30, metric='minkowski',

metric_params=None, n_jobs=1, n_neighbors=5, p=2,

weights='uniform')

デフォルトでは n_neighbors は5個になっていますね。

"""

#機械学習モデルを作成する

knn.fit(X_train,y_train)

予測

#データを入れて予測をしてみる。
n=len(X_test)
prediction=knn.predict(X_test[:n])

"""prediction
array([20.76, 29.54, 23.08, 11.94, 21.82, 21.4 , 22.96, 24.38, 30.24,
       18.26])
"""
#生データのtargetを見てみる
"""y_test[:10]
array([22.6, 50. , 23. ,  8.3, 21.2, 19.9, 20.6, 18.7, 16.1, 18.6])
"""

#データを入れて予測をしてみる。

n=len(X_test)

prediction=knn.predict(X_test[:n])

"""prediction

array([20.76, 29.54, 23.08, 11.94, 21.82, 21.4 , 22.96, 24.38, 30.24,

18.26])

"""

#生データのtargetを見てみる

"""y_test[:10]

array([22.6, 50. , 23. , 8.3, 21.2, 19.9, 20.6, 18.7, 16.1, 18.6])

"""

スクリーニングしてみる

#比較してみる
y_rate=y_test/prediction
y_is_cheaper=y_test[:n]<prediction
y_is_05_cheaper=y_test[:n]<prediction*0.95
y_is_10_cheaper=y_test[:n]<prediction*0.90
y_is_20_cheaper=y_test[:n]<prediction*0.80

cheaper_df=pd.DataFrame([prediction,y_test[:n],y_rate,y_is_cheaper,y_is_05_cheaper,y_is_10_cheaper,y_is_20_cheaper],
             index=["prediction","y_test","y_rate","y is cheaper","5% cheaper","10% cheaper","20% cheaper"])
cheaper_df

#比較してみる

y_rate=y_test/prediction

y_is_cheaper=y_test[:n]<prediction

y_is_05_cheaper=y_test[:n]<prediction*0.95

y_is_10_cheaper=y_test[:n]<prediction*0.90

y_is_20_cheaper=y_test[:n]<prediction*0.80

cheaper_df=pd.DataFrame([prediction,y_test[:n],y_rate,y_is_cheaper,y_is_05_cheaper,y_is_10_cheaper,y_is_20_cheaper],

index=["prediction","y_test","y_rate","y is cheaper","5% cheaper","10% cheaper","20% cheaper"])

cheaper_df

20%以上安い物件の数

22件あるんですね。

この２２件について、実際に不動産の知識を持って調査すると良いのではないでしょうか。

#20%以上安い物件の数
cheap_count=np.sum(y_rate<=0.8,axis=0)
print("20%以上安い物件の数 : ",+cheap_count) # 22

#20%以上安い物件の数

cheap_count=np.sum(y_rate<=0.8,axis=0)

print("20%以上安い物件の数 : ",+cheap_count) # 22

課題：精度の算出　と　可視化

精度を検証しようとknn.score(X_test,y_test)したところ、0.4616380924610112 と出ましたが、これは一体なんでしょうｗ

分類と違って、回帰ですから、％ってわけでもないですし・・・あとで、もう少し考えてみましょう。今は保留。

#精度を検証する
print(knn.score(X_test,y_test))

1 2	#精度を検証する print(knn.score(X_test,y_test))

また、可視化については、回帰ですから、回帰直線みたいなのを引きたいのですが、このような高次元に対しての回帰直線はどのように書いたら良いのでしょうか。今後の課題といたします。

以上、でした。

機械学習:Scikit-learn　ブレストキャンサーデータを良く眺めてみる。ついでにKNNをやる。

こんにちはKeita_Nakamoriです。

今日はブレストキャンサーデータを良く眺めてみようと思います。

データをロードしてキーを確認しましょう。

#ロードブレストキャンサーデータを眺める
from sklearn.datasets import load_breast_cancer

#ロードブレストキャンサーデータのインスタンスを作成
cancer_data=load_breast_cancer()

#キーを確認する
cancer_data.keys()

"""
dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names'])
"""

#ロードブレストキャンサーデータを眺める

from sklearn.datasets import load_breast_cancer

#ロードブレストキャンサーデータのインスタンスを作成

cancer_data=load_breast_cancer()

#キーを確認する

cancer_data.keys()

"""

dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names'])

"""

キーを指定してデータの内容を確認しましょう

# 内容を確認する

cancer_data["data"].shape  #(569, 30) 30次元のベクトルが569データある

cancer_data["target"].shape#(569,)　  1次元の0と1の羅列が569データある

cancer_data["feature_names"]

"""様々な特徴量
array(['mean radius', 'mean texture', 'mean perimeter', 'mean area',
       'mean smoothness', 'mean compactness', 'mean concavity',
       'mean concave points', 'mean symmetry', 'mean fractal dimension',
       'radius error', 'texture error', 'perimeter error', 'area error',
       'smoothness error', 'compactness error', 'concavity error',
       'concave points error', 'symmetry error',
       'fractal dimension error', 'worst radius', 'worst texture',
       'worst perimeter', 'worst area', 'worst smoothness',
       'worst compactness', 'worst concavity', 'worst concave points',
       'worst symmetry', 'worst fractal dimension'], dtype='<U23')
"""

cancer_data["target_names"]

"""
array(['malignant', 'benign'], dtype='<U9')

    malignant は悪性
    benign    は良性 を意味する

"""

# 内容を確認する

cancer_data["data"].shape #(569, 30) 30次元のベクトルが569データある

cancer_data["target"].shape#(569,)　 1次元の0と1の羅列が569データある

cancer_data["feature_names"]

"""様々な特徴量

array(['mean radius', 'mean texture', 'mean perimeter', 'mean area',

'mean smoothness', 'mean compactness', 'mean concavity',

'mean concave points', 'mean symmetry', 'mean fractal dimension',

'radius error', 'texture error', 'perimeter error', 'area error',

'smoothness error', 'compactness error', 'concavity error',

'concave points error', 'symmetry error',

'fractal dimension error', 'worst radius', 'worst texture',

'worst perimeter', 'worst area', 'worst smoothness',

'worst compactness', 'worst concavity', 'worst concave points',

'worst symmetry', 'worst fractal dimension'], dtype='<U23')

"""

cancer_data["target_names"]

"""

array(['malignant', 'benign'], dtype='<U9')

malignant は悪性

benign は良性を意味する

"""

おまけ

np.bincount()を使うと　順番に[0の数 , 1の数 , 2の数,・・・]というようなベクトルが得られる

#  ターゲットの 0の数（悪性）と1の数（良性）をカウントする

import numpy as np
np.bincount(cancer_data["target"])

"""
array([212, 357], dtype=int64)
    悪性=212 個
    良性=357 個

"""

# ターゲットの 0の数（悪性）と1の数（良性）をカウントする

import numpy as np

np.bincount(cancer_data["target"])

"""

array([212, 357], dtype=int64)

悪性=212 個

良性=357 個

"""

勢い余って、KNNをやってしまおう

# ====   勢い余って、KNNをやってしまおう    ====

%matplotlib inline

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

#入力データと出力データを定義する
X=cancer_data["data"]    # as input
y=cancer_data["target"]  # as output

#訓練用データと検証用データに分ける
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=0)

from sklearn.neighbors import KNeighborsClassifier
knn=KNeighborsClassifier(n_neighbors=1)

#機械学習モデルを作成する
knn.fit(X_train,y_train)

"""
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
           metric_params=None, n_jobs=1, n_neighbors=1, p=2,
           weights='uniform')
"""

#スコアを確認する
knn.score(X_test,y_test)

"""
0.916083916083916
"""

# ==== 勢い余って、KNNをやってしまおう ====

%matplotlib inline

from sklearn.model_selection import train_test_split

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import mglearn

#入力データと出力データを定義する

X=cancer_data["data"] # as input

y=cancer_data["target"] # as output

#訓練用データと検証用データに分ける

X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=0)

from sklearn.neighbors import KNeighborsClassifier

knn=KNeighborsClassifier(n_neighbors=1)

#機械学習モデルを作成する

knn.fit(X_train,y_train)

"""

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',

metric_params=None, n_jobs=1, n_neighbors=1, p=2,

weights='uniform')

"""

#スコアを確認する

knn.score(X_test,y_test)

"""

0.916083916083916

"""

おわりに

ということで、たったこれだけで、92%の正解率が得られました。

これは、データがしっかり整っているからできることです。

実際に自分自身の課題に対して機械学習を適用しようとすると、データを収集してきれいに整えることにエネルギーを費やすのだと思います。

番外：データフレームとスキャッターマトリクスを眺めてみる

データ数と特徴量が多すぎて、すごいことになっています。

#データフレーム化してデータを眺めてみる
columns=cancer_data["feature_names"] #データフレームの列名を定義df=pd.DataFrame(X_train,columns=columns)

df=pd.DataFrame(X_train,columns=columns)
df[:5]

#データフレーム化してデータを眺めてみる

columns=cancer_data["feature_names"] #データフレームの列名を定義df=pd.DataFrame(X_train,columns=columns)

df=pd.DataFrame(X_train,columns=columns)

df[:5]

grr=pd.plotting.scatter_matrix(df,c=y_train,figsize=(20,20),marker="o",hist_kwds={"bins":1},s=100,alpha=0.5,cmap=mglearn.cm3)

1	grr=pd.plotting.scatter_matrix(df,c=y_train,figsize=(20,20),marker="o",hist_kwds={"bins":1},s=100,alpha=0.5,cmap=mglearn.cm3)

うわ～～～～～　(*´﹃｀*)

機械学習:Scikit-learn　アイリスデータでk-最近傍法をやってみる

Keita_Nakamoriです。

前回、アイリスデータの内容を確認しました。

今回は、機械学習で最も単純と思われるk-最近傍法をやっていきます。

必要なモジュールをインポート

データをロードして、入力データと出力データを定義

%matplotlib inline
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split 

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

#データをロードする
iris_dataset=load_iris()

#データのキーを確認する
iris_dataset.keys()  #dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names'])

#入力データと出力データを定義する
X=iris_dataset["data"]    # as input
y=iris_dataset["target"]  # as output

%matplotlib inline

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import mglearn

#データをロードする

iris_dataset=load_iris()

#データのキーを確認する

iris_dataset.keys() #dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names'])

#入力データと出力データを定義する

X=iris_dataset["data"] # as input

y=iris_dataset["target"] # as output

トレインデータ(訓練用）とテストデータ（検証用）に分割する

X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=0)

1	X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=0)

# データはランダムに振り分けるが,固定し、0という番号を付ける。

X_train のデータをデータフレーム化して、内容を確認する

columns=iris_dataset[“feature_names”] #データフレームの列名を定義
df=pd.DataFrame(X_train,columns=columns)
df[:5]

X_train のデータフレームをpd.plotting.scatter_matrix（）で可視化して眺める。

grr=pd.plotting.scatter_matrix(df,c=y_train,figsize=(15,15),marker="o",hist_kwds={"bins":10},s=100,alpha=0.5,cmap=mglearn.cm3)

"""pd.plotting.scatter_matrix()の引数を説明する

df        : データフレームを入れるだけで、各列同士(4列)を組み合わせた２次元グラフを、
　　　      総当たり戦で自動的に作図してくれる。（度数分布　と　２次元散布図）
         
c=y_train : y_trainは 0,1,2 のどれかの値ということを利用して、
            プロットのcolorを区別した。

figsize=(15,15):グラフのサイズを大きくする。

marker="o" : マーカー形状を " o " にする。

hist_kwds={"bins":10} : 度数分布の表示をバーチャート、階級数を10とする。

S=100 :プロットのサイズ

alpha=0.5 : プロットの透明度

cmap=mglearn.cm3　：配色の設定（なくても問題ないが慣例的につけている）


"""

grr=pd.plotting.scatter_matrix(df,c=y_train,figsize=(15,15),marker="o",hist_kwds={"bins":10},s=100,alpha=0.5,cmap=mglearn.cm3)

"""pd.plotting.scatter_matrix()の引数を説明する

df : データフレームを入れるだけで、各列同士(4列)を組み合わせた２次元グラフを、

　　　総当たり戦で自動的に作図してくれる。（度数分布　と　２次元散布図）

c=y_train : y_trainは 0,1,2 のどれかの値ということを利用して、

プロットのcolorを区別した。

figsize=(15,15):グラフのサイズを大きくする。

marker="o" : マーカー形状を " o " にする。

hist_kwds={"bins":10} : 度数分布の表示をバーチャート、階級数を10とする。

S=100 :プロットのサイズ

alpha=0.5 : プロットの透明度

cmap=mglearn.cm3　：配色の設定（なくても問題ないが慣例的につけている）

"""

k- 最近傍法分類　をやってみる

モデルの作成とトレーニング

from sklearn.neighbors import KNeighborsClassifier
knn=KNeighborsClassifier(n_neighbors=1)

#機械学習モデルを作成する
knn.fit(X_train,y_train)

"""機械学習モデル　output

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
           metric_params=None, n_jobs=1, n_neighbors=1, p=2,
           weights='uniform')

"""

from sklearn.neighbors import KNeighborsClassifier

knn=KNeighborsClassifier(n_neighbors=1)

#機械学習モデルを作成する

knn.fit(X_train,y_train)

"""機械学習モデル　output

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',

metric_params=None, n_jobs=1, n_neighbors=1, p=2,

weights='uniform')

"""

予測する

#　お試しで新規データを学習済みモデルにinputする
X_new=np.array([[5,2.9,1,0.2]]) # sklearnの入力データの仕様としてnumpyの２次元配列にすることになっている。

#予測する
prediction=knn.predict(X_new)
print("Predicted target name is {} .".format(iris_dataset["target_names"][prediction]))

"""output

Predicted target name is ['setosa'] .

"""

#　お試しで新規データを学習済みモデルにinputする

X_new=np.array([[5,2.9,1,0.2]]) # sklearnの入力データの仕様としてnumpyの２次元配列にすることになっている。

#予測する

prediction=knn.predict(X_new)

print("Predicted target name is {} .".format(iris_dataset["target_names"][prediction]))

"""output

Predicted target name is ['setosa'] .

"""

予測性能の評価

#検証データをすべて学習済みモデルにinputし予測結果を得る
y_pred=knn.predict(X_test)

"""y_pred

array([2, 1, 0, 2, 0, 2, 0, 1, 1, 1, 2, 1, 1, 1, 1, 0, 1, 1, 0, 0, 2, 1,
       0, 0, 2, 0, 0, 1, 1, 0, 2, 1, 0, 2, 2, 1, 0, 2])

"""

#検証データをすべて学習済みモデルにinputし予測結果を得る

y_pred=knn.predict(X_test)

"""y_pred

array([2, 1, 0, 2, 0, 2, 0, 1, 1, 1, 2, 1, 1, 1, 1, 0, 1, 1, 0, 0, 2, 1,

0, 0, 2, 0, 0, 1, 1, 0, 2, 1, 0, 2, 2, 1, 0, 2])

"""

#正解率を算出する
np.mean(y_pred==y_test)

1 2	#正解率を算出する np.mean(y_pred==y_test)

結果：0.9736842105263158

または、

#正解率を算出する 他の方法
knn.score(X_test,y_test)

"""
この場合、正解率を算出するために、個別の予測結果であるknn.predict()をやる必要はない。

"""

#正解率を算出する他の方法

knn.score(X_test,y_test)

"""

この場合、正解率を算出するために、個別の予測結果であるknn.predict()をやる必要はない。

"""

でもいいです。

機械学習:Scikit-learn　アイリスデータを良く見る

Keita_Nakamoriです。

今日はsklearnのアイリスデータを良く見てみようと思います。

インストール

>pip install sklearn

して

Requirement already satisfied: sklearn in c:\users\omoiy\anaconda3\lib\site-packages (0.0)
Requirement already satisfied: scikit-learn in c:\users\omoiy\anaconda3\lib\site-packages (from sklearn) (0.19.1)

と出るので、すでに入っていました。アナコンダですから。

インポートそしてインスタンス作成

アイリスデータが入っている、ロードアイリスをsklearn.datastetsからインポートします。
from sklearn.datasets import load_iris

関数としてロードアイリスのインスタンス、アイリスデータセットを作成します。

iris_dataset=load_iris #ロードアイリス関数

では、アイリスデータセットを見てみましょう。

iris_dataset()

わけのわからないデータの羅列が出てきますが、よく見るとディクショナリによく似た”Bunchクラス”という形式でデータが入っています。

ディクショナリと同様に、キーとバリューを指定できます。

iris_dataset().keys()

dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names'])

1	dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names'])

キーを指定してみます。長いので500文字で切りましょう。DESCRはディスクドライブの略です。

まずは、データの概要を見る

iris_dataset[“DESCR”][:500]

または、下のように書くと、見やすくなります。

print(iris_dataset()[“DESCR”][:500]+”\n…”)

データセットの特性

インスタンス数：150　（３クラスあり、それぞれ５０個）

アトリビュートの数：

４つの予測用アトリビュート（数値）

sepal長さ[cm] sepal 幅 [cm]
petal長さ[cm] petal 幅 [cm]

クラス（分類）

Iris-Setosa
Iris- Versicolour
Iris-Virginica

訓練用のインプット”データ”を確認する。

iris_dataset()[“data”]

.shape()で大きさを確認すると(150, 4)。４つの予測用アトリビュートをもった塊が１５０個ある。

array([[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],続く

array([[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],続く

正解である”ターゲット”を確認する

iris_dataset()[“target”]

0=Iris-Setosa
1=Iris- Versicolour
2=Iris-Virginica

なのでしょう、きっと。

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 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])

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

0, 0, 0, 0, 0, 0, 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])

ターゲットの名前

iris_dataset()[“target_names”]

ここで出てきました。分類名。前述で予想した通りの順番でした。

array(['setosa', 'versicolor', 'virginica'], dtype='&lt;U10')

1	array(['setosa', 'versicolor', 'virginica'], dtype='<U10')

特徴の名称を確認する

これも、DESCRでの記述順通りでした。

['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']

['sepal length (cm)',

'sepal width (cm)',

'petal length (cm)',

'petal width (cm)']

以上、ロードアイリスのデータでした。

次回は訓練させていきます。

Math:固有値・固有ベクトル

英語でいうと　アイゲンバリューとアイゲンベクターというそうです。

（Eigen Value , Eigen Vector）

メモっておきます。

ステップ０　定義

A:行列
X：ベクトル
λ：スカラー

があったら

AX=λX

と表されるとき、右辺のλとXは

λ：固有値
X : 固有ベクトル

と呼ばれます。

言わなくてもわかると思いますが、X=ゼロベクトル　というのは無しですよ！

ステップ１　変換

線形変換の復習です

左辺

A=[[2,3],[2,1]]
X=[1,3]

のとき、計算すると

AX=[2*1+3*3 , 2*1+1*3]=[11,5]

これは、ベクトルX[1,3]が行列Aによってベクトル[11,5]へ変換されたことを意味します。

ステップ２　”　固有　”　とは

ベクトルXだけを変えてみましょう

X=[3,2]

すると、左辺は、

AX=[2*3+3*2 , 2*3+1*2]=[12,8]
さらに変形して,AX=4[3,2]

ということで、AX=λXの形と見比べると、左辺と右辺のベクトルXは[3,2]で同一の値になっていて、さらにスカラーλは4という値になりなっています。

このとき,

λ：固有値
X : 固有ベクトル

という呼び方をされます。

結果として、ベクトルXに行列Aをかけ合わせたんだけど、結果としてベクトルの向きは[3,2]のまま変わらないで大きさだけ４倍になった。

固有というのは「向きが保存される特殊な状況」ということです。

ステップ３　どんなとき使うの？

現時点iのときにα[i],β[i]という値をとる事象を考えます。

次の時点[i+1]のときは、それがα[i+1],β[i+1]に変化するとしましょう。

それぞれの数式は漸化式の如く下記のように表現できるものとしましょう。

α[i+1] = 0.5 α[i] + 0.4 β[i]
β[i+1] =-0.104 α[i] + 1.1 β[i]

そうすると、これはAX=λXのように表現できます。

[[0.5,0.4],[-0.104,1.1]] [α[i],β[i]] = λ　[α[i],β[i]]

ステップ４　固有値、固有ベクトルを求める

固有方程式を使うと固有ベクトルλを求めることができます。

固有方程式：det(A-λE)=0

AX=λX　を移行して

AX-λX=0　を行列Xでくくって

(A-λE)X=0 ※単位行列Eを忘れないで

ここでXはゼロベクトルではない。

ここで左辺の行列(A-λE)が逆行列を持っていたら、

(A-λE)^-1 (A-λE)X = (A-λE)^-1 ・0

EX=ゼロベクトル

Eは単位行列なので、Xがゼロベクトルでなくては、この式は満たされない。

でも、今は、固有値、固有ベクトルを有するためにはXがゼロベクトルであってはだめなので、そもそも、「(A-λE)に逆行列があってはならない」というところまで遡る。

行列(A-λE)が逆行列を持たない条件

det(A-λE)=0

結果

λ=1.02 , 0.58　と２つ解（固有値）が出てきますので、それぞれ

λ1=1.02
λ2=0.58

としましょう。

固有ベクトルは、いまさっき求めた固有値を使って

(A-λ1E)X=0 より固有ベクトル v1=[10,13]
(A-λ2E)X=0 より固有ベクトル v2=[5,1]

と算出できます。

ステップ５　AX=λXの意味

固有ベクトル v1=[10,13] のとき

AX=λXは

[[0.5,0.4],[-0.104,1.1]] [10,13] = 1.02 　[10,13]

この意味するところは、[α[i],β[i]]=[10,13] という組み合わせのときには、

そのベクトル[10,13] を変化されることなく、ステップごとに1.02倍されていく　ということです。

同様に、固有値 λ2 = 0.58 のとき

固有ベクトル v2=[5,1]
[[0.5,0.4],[-0.104,1.1]] [5,1] = 0.58 [5,1]

こちらの意味も同様に、そのベクトル[5,1] を変化されることなく、ステップごとに0.58倍されていく　ということです。

これで、どういう組み合わせのときに、その組み合わせの割合を変えずに、スケールだけを変化させられるのかがわかるようになりました。

しかし、これでは、２つの固有ベクトルのとき、という限定された情報しかありません。

ステップ６　最終的には・・・

初期ベクトルX[0]を

X[0]=C1 V1+C2 V2

と置きます。

ここで V1,V2は固有ベクトル

C1,C2は固有ベクトルにないかしらを掛け算する係数

では、ステップを進めてみましょう。

X[1] = AX[0]= C1 A V1+C2 A V2

ここで　Aをλに入れ替えます。

X[1] = C1 λ1 V1+C2 λ2 V2

さらにすすめて

X[2] = AX[1]= C1 λ1λ1 V1+C2 λ2λ2 V2
X[3] = AX[2]= C1 λ1λ1λ1 V1+C2 λ2λ2λ2 V2

λが増えていくだけです。

X[i] = C1 (λ1^i) V1+C2 (λ2^i) V2
X[∞] = C1 (λ1^∞) V1+C2 (λ2^∞) V2

ここで　λ2は１よりも小さいので　λ2^∞=0　、　よって

X[∞] = C1 (λ1^∞) V1

よって、ステップ数を増やしていくと、最終的には固有ベクトルv1に落ち着くということです。

もう一度整理すると。X[i+1]のときは、

X[i+1] = C1 (λ1^(i+1)) V1 =λ C1 (λ1^i) V1　よって
X[i+1]=λ1 X[i]

というシンプルな形になります。

2019年4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

WordPressの初期設定

入れておきたいWordPressプラグイン

All in One SEO でSEO対策

TinyMCE Advanced で装飾機能を拡張

Duplicate Post で投稿を複製

Shortcodes Ultimate で装飾機能をさらに拡張

Table of Contents Plus で目次を自動生成

Fancier Author Box by ThematoSoup でプロフィールを設定

Disable Comments でコメントを無効化

WordPressテーマを使ってみる

オウンドメディアとは

成功者のマネをしよう

<h2>大見出し１</h2>

<h3>中見出し１－１ リストの構造</h3>

<h3>中見出し１－２ 効果的なリンクの貼り方</h3>

<h4>中見出し１－２－１ アンカーテキスト</h4>

All in One SEO　でSEO対策

TinyMCE Advanced　で装飾機能を拡張

Duplicate Post　で投稿を複製

Shortcodes Ultimate　で装飾機能をさらに拡張

Table of Contents Plus　で目次を自動生成

Fancier Author Box by ThematoSoup　でプロフィールを設定

Disable Comments　でコメントを無効化

<h3>中見出し１－１リストの構造</h3>

<h3>中見出し１－２効果的なリンクの貼り方</h3>

<h4>中見出し１－２－１アンカーテキスト</h4>