第17回「scikit-learnの使い方（3）教師あり学習」

こんにちは、小澤です。
今回からscikit-learnを用いた分類と回帰について解説していきます。教科書『Pythonによる新しいデータ分析の教科書（第2版）』では、4.4.2章「分類」と4.4.3章「回帰」（225〜245ページ）の箇所です。
分類と回帰を理解するには、その基礎となる「教師あり学習」の概念を押さえることが重要です。そこで、今回は教師あり学習の基本について解説し、分類や回帰などへの適用方法を学んでいきましょう。

教師あり学習とは？

教師あり学習（Supervised Learning）は、機械学習の一種で、「入力データ」と「正解ラベル」がペアになったデータセットを用いてモデルを学習させる手法です。

教師あり学習の特徴

  • 教師あり学習の目的は、モデルにデータのパターンを学習させ、未知のデータに対して正確なラベルを予測できるようにすることです。このため、入力データ（特徴量）とそれに対応する正解（ラベル）のペアからなるデータセットを使用し、モデルは各クラスの特徴を学習します。代表的な例として、以下のようなデータセットがあります。
    • Irisデータセット：花の特徴（花びらの長さ・幅）から花の種類を分類
    • MNISTデータセット：手書き文字画像を対応する数字（0～9）に分類
  • 特徴量は、データポイントを表すための数値やカテゴリ情報です。例えば、Irisデータセットには、花の形状に関連する以下のような測定値が含まれ、花を分類するための指標を提供します。
    • 花びらの長さ（Petal Length）
    • 花びらの幅（Petal Width）
    • がく片の長さ（Sepal Length）
    • がく片の幅（Sepal Width）
  • ラベルは、データポイントが属するクラス（カテゴリ）を示します。Irisデータセットには、以下の3つの花の種類が含まれています。
    • Iris-setosa：花びらが小さく幅広い特徴を持つ
    • Iris-versicolor：中間的なサイズと形状を示す
    • Iris-virginica：花びらが細長い特徴を持つ

教師あり学習の流れ

教師あり学習は、以下のステップで進めます。

1．データ収集と準備

  • ラベル付きデータセットを用意します。例えば、Irisデータセットでは花びらの長さや幅（特徴量）が「Iris-setosa」などの種類（ラベル）とペアになっています。
  • 欠損値の補完、特徴量のスケーリング、カテゴリ変数のエンコーディングなどを行い、データをモデルが扱いやすい形に整えます。

2．学習

  • 学習データ（入力データとラベル）をモデルに与えてトレーニングを行います。モデルはデータのパターンを学び、未知のデータに対して適切な予測ができるようになります。

3．予測

  • 学習済みモデルに未知のデータ（特徴量）を入力すると、モデルが予測したラベルや値を出力します。

4．評価

  • モデルの性能をテストデータを用いて評価します。評価指標には以下のようなものがあります。
    • 正答率（Accuracy）：全予測のうち正解した割合。
    • F1スコア：精度と再現率のバランスを評価。
    • 平均二乗誤差（MSE）：回帰タスクで、予測値と実際の値の差を測定。

教師あり学習の主要タスク

1．分類（Classification）
分類は、入力データをあらかじめ定義されたカテゴリ（離散値）に割り当てるタスクです。出力は、特定のクラスラベル（カテゴリ）です。分類は、以下のような特徴を持ちます。

  • 特徴
    • 出力形式：データポイントごとに1つのクラスラベル（例：スパム・非スパム）を割り当てる。
    • 離散的な結果：出力が連続的な数値ではなく、有限のカテゴリ（離散値）で表現される。
    • ラベル付きデータ：学習データに正解ラベルが含まれている（教師あり学習）。
    • 種類
      • 2クラス分類：
        • 出力が2つのクラスラベルのみの場合。
        • 例：メールが「スパム」または「非スパム」。
      • 多クラス分類：
        • 出力が3つ以上のクラスラベルを持つ場合。
        • 例：Irisデータセットで花を3つの種類に分類（Iris-setosa、Iris-versicolor、Iris-virginica）。
    • 適用例
      • 医療診断：病気が「陽性」か「陰性」かを分類。
      • 画像認識：写真に写っている動物を「犬」「猫」「鳥」などに分類。
      • テキスト分類：商品レビューを「ポジティブ」「ネガティブ」「ニュートラル」に分類。
    • 分類アルゴリズム
      • サポートベクターマシン（SVM）
      • 決定木
      • ランダムフォレスト
      • k近傍法（k-NN）
      • ロジスティック回帰

2．回帰（Regression）
 回帰は、入力データに基づいて連続値（数値）を予測するタスクです。分類とは異なり、出力は連続的な数値で表現されます。

  • 特徴
    • 出力形式：出力はスカラー値（連続値）で、数値として予測される。
    • 離散的な結果：出力は特定のカテゴリではなく、値の範囲に属する。
    • ラベル付きデータ：入力データと正解ラベル（数値）のペアが必要（教師あり学習）。
  • 適用例
    • 住宅価格予測：家の特徴（面積、立地条件など）を基に価格を予測。気温予測：過去のデータを基に未来の気温を予測。
  • 回帰アルゴリズム
    • 線形回帰ラッソ回帰、リッジ回帰サポートベクターレグレッション（SVR）決定木回帰

Irisデータセットの構造

例えば、Irisデータセットは以下のようなデータセットです。特徴量を基に、モデルはデータポイントを正しいラベルに分類します。

まとめ

教師あり学習は、入力データとラベルの関係をモデルが学習することで、未知のデータに対して予測をおこなう手法です。その中でも分類と回帰は、出力形式（カテゴリまたは数値）に応じて適切なアルゴリズムを選択する必要があります。

次回からは、scikit-learnを使用して分類と回帰モデルを構築し、実際のデータセットでそれらを活用する方法を具体的に解説していきます。ぜひお楽しみに。

PAGE TOP