【Python】教師あり学習について基本的なアルゴリズムを解説

2024年11月17日2024年11月23日

URLをコピーしました！

今回は、機械学習の教師あり学習を解説します。

教師あり学習とは

教師あり学習とは、正解ラベルのついたデータを用いて、モデルを訓練される手法です。

教師あり学習で使用するアルゴリズム

機械学習には、様々なアルゴリズムが存在します。

アルゴリズムとは、データを予測や分類をしてくれる手法のことです。

アルゴリズムによって、予測、分類方法が異なります。

そのため、機械学習を実施する際は、最適なアルゴリズムを選択する必要があります。

機械学習アルゴリズムには、以下2種類があります。

回帰（Regression） 連続的な数値を予測
分類（Classification） データの種類を予測

それでは、具体的な教師あり学習のアルゴリズムを紹介します。

1. 回帰: 線形回帰

線形回帰は、連続的なデータに対し、予測するためのアルゴリズムです。

住宅の価格予測や売上予測などに用いられます。

2. 分類: ロジスティク回帰

ロジスティク回帰は、2値のデータを分類するアルゴリズムです。

シグモイド関数で、出力を0から1に制限することで、データの分類をしています。

3. 分類: SVM(サポートベクターマシン)

SVM(サポートベクタマシン)は、データを線形または非線形に分類するアルゴリズムです。

データ間のマージンを最大に確保する境界線を引きます。

画像認識、異常検知などに用いられます。

4. 分類: 決定木

決定木は、データをツリー構造で、質問をしながら分類するアルゴリズムです。

分類が単純なので、人間にも理解しやすいアルゴリズムになっています。

データを分類するための質問を繰り返すので、過学習しやすい傾向にあります。

5. 分類: ランダムフォレスト

ランダムフォレストは、決定木を改良したアルゴリズムです。

複数の決定木を作成し、その結果を多数決で予測します。

予測精度の高いアルゴリズムになっています。

6. 分類: k近傍法(k-NN)

k近傍法は、近くのデータは同じ分類であるということに基づいてデータを分類するアルゴリズムです。

近くのk個のデータの特徴からどの分類に当てはまるかを調べます。

パターン認識などに用いられます。

Python実践教師あり学習

Pythonを用いて、機械学習アルゴリズムのひとつである、線形回帰を実装してみます。

scikit-learnを使用します。scikit-learnについて詳しく知りたい方はこちら

# 必要なライブラリのインポート
from sklearn.datasets import make_regression
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

X, y = make_regression(random_state=3, n_features=1, noise=20, n_samples=30)

# データを訓練データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

# モデルの作成
lr = LinearRegression()
# 訓練データでモデルの学習
lr.fit(X_train, y_train)

# モデルの評価
print("Test score: {:.2f}".format(lr.score(X_test, y_test)))

# グラフを表示
plt.figure(figsize=(5, 5))
plt.scatter(X, y, alpha=0.5)
# 直線の描画
plt.plot(X, lr.predict(X), color='r')

実行結果