scikit-learnとは
scikit-learnはPythonのオープンソース機械学習ライブラリで、読み方は「サイキットラーン」です。誰でも自由に使えて、使える機械学習手法が多岐にわたるのでまずはscikit-learnをおさえておけば、ほとんどの機械学習手法を実装することが可能です。
scikit-learnの使い方
scikit-learnはPythonのsklearnからモジュールを呼び出して使います。たとえば、以下のように記述することで線形回帰分析が使えるようになります。
from sklearn import linear_model
scikit-learnで多数のアルゴリズムの使用が可能
一口に機械学習と言っても、モデルを作成するまでのアルゴリズムは様々です。scikit-learnには、機械学習ためのアルゴリズムが豊富に備わっています。主なアルゴリズムは次の通りです。
- 線形モデル
- サポートベクターマシン
- 決定木
- ニューラルネットワーク
scikit-learnを使って実際に機械学習を行う
それでは実際にScikit-learnを実装していきましょう！決定木とバギングを組み合わせた強力な機械学習手法である「ランダムフォレスト」を使って定番のirisデータを分類していきます。
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# データの読み込み
iris = load_iris()
X, y = iris.data, iris.target
# データの分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# モデルの訓練
model = RandomForestClassifier(n_estimators=10)
model.fit(X_train, y_train)
# テストデータで予測
y_pred = model.predict(X_test)
# 予測結果の評価
print(accuracy_score(y_test, y_pred))
このコードは、ランダムフォレストという手法を使って、irisデータセットを分類するためのものです。このように、scikit-learnを使うと、短いコードで機械学習のモデルを訓練し、新しいデータに対する予測を行うことができます。
以上、Pythonとscikit-learnを使った機械学習の基本的な流れについて説明しました。これを基に、さまざまなデータに対して機械学習を適用してみてください。.