Scikit-learnで機械学習モデルを構築する方法｜Python機械学習ライブラリ入門

本記事では、Pythonの無料機械学習ライブラリ「Scikit-learn」を使った学習モデルの構築方法を解説します。

Scikit-learnはオープンソースで提供されている機械学習ライブラリで、ランダムフォレスト、サポートベクターマシン（SVM）、k近傍法（k-NN）など、多彩なアルゴリズムをサポートしています。また、NumPyやSciPyと直接連携して動作するため、数値計算との親和性が高く、初心者から実務者まで幅広く利用されています。

1. データセットのインポート

まずは分析対象となるデータセットを読み込みます。Pandasのread_csvメソッドを使えば、URLを指定するだけでCSV形式のデータを簡単に取得できます。

import pandas as pd

url = "ここにデータのURLを指定"
data = pd.read_csv(url)

2. データの探索とクリーニング

読み込んだデータの中身を確認するには、headメソッドを使用します。引数で件数を指定すれば、必要な行数だけを絞り込んで表示できます。

data.head()
data.head(n=4)  # 先頭4件のみ表示

同様に、データセットの末尾のレコードを確認したい場合はtailメソッドを使います。

data.tail()
data.tail(n=4)  # 末尾4件のみ表示

3. データの可視化

次のステップはデータの可視化です。ここでは、SeabornモジュールとMatplotlibを組み合わせてデータを視覚的に把握します。

import seaborn as sns
import matplotlib.pyplot as plt

sns.set(style="whitegrid", color_codes=True)
# カウントプロットを作成
sns.countplot('Route To Market', data=sales_data, hue='Opportunity Result')

カウントプロットにより、カテゴリごとのデータ分布や目的変数との関係をひと目で確認できます。

4. データの前処理

機械学習モデルは数値データを扱うため、文字列のカテゴリ値は数値へ変換する必要があります。Scikit-learnのLabelEncoderを使えば、この変換を簡単に行えます。

from sklearn import preprocessing

le = preprocessing.LabelEncoder()
# 列の値を数値に変換
encoded_value = le.fit_transform(列名のリスト)
print(encoded_value)

5. モデルの構築とトレーニング

前処理が完了したら、いずれのステージも整い、ついにモデル構築の段階です。一般的には、データを訓練用とテスト用に分割し、訓練データでモデルを学習させます。

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

model.fit(X_train, y_train)   # モデルの学習
predictions = model.predict(X_test)  # 予測の実行

まとめ

本記事では、Pythonの機械学習ライブラリScikit-learnを用いたモデル構築の基本的な流れを学びました。データセットのインポートから探索・可視化・前処理、そしてモデルのトレーニングまで、一連のステップを押さえておくことで、さまざまな機械学習タスクに応用できます。まずは小さなデータセットで実際に手を動かし、理解を深めていくことをおすすめします。