Iris Dataset：あやめ（花びら／がく片の長さと幅の4項目）の表形式データセット：AI・機械学習のデータセット辞典

データセット「Iris」について説明。150件のあやめの「表形式データ（花びら／がく片の長さと幅の4項目）」＋「ラベル（3種類のあやめの分類）」が無料でダウンロードでき、多クラス分類問題などのディープラーニングや統計学／データサイエンスに利用できる。scikit-learnとTensorFlowにおける利用コードも紹介。

[一色政彦，デジタルアドバンテージ]

連載目次

データセット解説

　Irisデータセット（「あやめ」という花の形状データ）は、「花びら（petal）／がく片（sepal）の長さと幅（cm）」という4つの特徴量と、あやめの種類である「setosa／versicolor／virginica」という3つのラベルで構成される表形式データセット（＝構造化データセット）である（図1）。

図1　Irisデータセットの内容例
※データセットの配布元： 「https://archive.ics.uci.edu/dataset/53/iris」。ライセンスはCC BY 4.0。

　Irisデータセットは、主に多クラス分類（具体的には「あやめの種類の予測」）を目的とした統計学／機械学習／ディープラーニングなどで活用できる。

　ただし、データ件数は150件しかない。ディープラーニングに使うには少ないが、初歩的な実装方法の解説などで使われることが多い。

　図1を見ると分かるように、Irisデータセットの特徴量は、

• がく片の長さ（cm）： Sepal Length
• がく片の幅（cm）： Sepal Width
• 花びらの長さ（cm）： Petal Length
• 花びらの幅（cm）： Petal Width

の4項目となっている。花びらは漢字で書くと「花弁」であり「かべん」とも読む。花の上部にあるのが「花びら」で、下部にあるのが「がく片」となる。あやめの場合、「花びらよりもがく片の方が大きく、がく片が花のような形と色彩である」という特徴があるので注意してほしい。図2は論文「The Species Problem in Iris」（1936年）から引用した図で、2つずつ並ぶ左の大きい方がSepal（がく片）で小さい方がPetal（花びら）となっている。

図2　3種類のあやめが持つ花びら／がく片のスケッチ（論文「The Species Problem in Iris」から引用）
※引用元： 論文「The Species Problem in Iris」（1936年）

　また、目的変数（target variable）となるラベル（＝正解を示す教師データ）には、

• setosa： 値は0で、「セトーサ」と読む、日本名：ヒオウギアヤメ
• versicolor： 値は1で、「ヴァーシカラー」と読む、日本名：ブルーフラッグ
• virginica： 値は2で、「ヴァージニカ」と読む、日本名：ヴァージニカ

の3種類がある。それぞれ50件ずつあり、合計で150件となる。

引用のための情報

　このデータセットは、基本的に自由に使用できる（※UC Irvine Machine Learning Repositoryでは、ライセンスとしてCC BY 4.0が指定されている。データの取得元を明記する場合は、以下を参考にしてほしい）。

• 論文著者： R.A. Fisher
• タイトル： The use of multiple measurements in taxonomic problems, Annual Eugenics, 7, Part II, 179-188.
• 公開年： 1936（※下記リンク先に、このデータセットがUCI Machine Learning Repositoryに提出されたのは1988年6月30日との記載がある）
• URL： https://doi.org/10.24432/C56C76

　Ronald Aylmer Fisher氏は、20世紀の統計学者／生物学者として非常に有名なフィッシャーのことである。このため、「Fisher's Iris dataset（フィッシャーのあやめデータセット）」と呼ばれることもある。

　また、元々のデータ収集はEdgar Anderson氏が行っているため（参考：「The Species Problem in Iris」、1936年）、「Anderson's Iris dataset（アンダーソンのあやめデータセット）」と呼ばれることもある。

利用方法

　実際にIrisデータセットを使うには、ライブラリscikit-learnやTensorFlow Datasetsが提供する機能を利用することをお勧めする。ムダな作業を省いて、効率的に使えるためだ。※なお、Keras／PyTorchにはIrisデータセットは用意されていなかった。

　以下に、scikit-learnやTensorFlow Datasetsで「どのようなコードを書くとIrisデータセットが使えるか」の典型的なコードを簡単に示しておく（※コードの詳細は解説しない）。

scikit-learn

# !pip install scikit-learn  # ライブラリ「scikit-learn」をインストール

from sklearn.datasets import load_iris

iris = load_iris()

リスト1　scikit-learnでIrisデータセットを利用する基本的なコード

　sklearn.datasets.load_iris()関数を呼び出せばよい。戻り値として（sklearn.utils.Bunch型の）辞書オブジェクトを返す。その配下のdataにデータが、targetにラベルが、feature_namesに特徴量名が、target_namesにラベル名が、関数の引数にas_frame=Trueを含めた場合はframeに全5列のpandasデータフレーム（※target列は最後の列）が格納されている。

TensorFlow Datasets

# !pip install tensorflow-datasets  # ライブラリ「TensorFlow Datasets」をインストール

import tensorflow_datasets as tfds

iris_train = tfds.load(name="iris", split="train")

リスト3　TensorFlowでIrisデータセットを利用する基本的なコード

　TensorFlow Datasetsのirisデータセット情報は、こちらのページにまとめられている。tensorflow_datasetsモジュール（＝tfds）のtfds.load関数から利用できる。

「AI・機械学習のデータセット辞典」

ここを更新しました（2024年3月4日）

データセット配布元のURLを「https://archive-beta.ics.uci.edu/ml/datasets/iris」としていましたがリンク切れしていたので、新しいURL「https://archive.ics.uci.edu/dataset/53/iris」に修正しました。

次の文章をカットしました。「※scikit-learnのページによると、UCI Machine Learning Repositoryには間違ったデータポイントが2つあり、Fisherの論文に基づきそれらが修正されているため、scikit-learnで得られるデータセットとUCI Machine Learning Repositoryのデータセットは異なる、とのことである。2022年06月時点で筆者が確認したところ、35番目と38番目のデータが異なっていた。このことから、Irisデータセットはscikit-learnのものを使うのが一番よいかもしれない。」　2024年3月時点で再確認したところ、データが同じになっていたので修正された可能性がある。