【Python】scikit-learnで機械学習!線形回帰モデルの作成
◇前置き
今回は、Pythonの人気ライブラリであるscikit-learnを使用して、シンプルな線形回帰モデルを作成する方法をご紹介します。
線形回帰は、データの傾向を分析する際に便利な手法であり、機械学習の基本的なステップを学ぶのにも適しています。
◇線形回帰モデルの作成手順
①ライブラリのインポート
まずはじめに、scikit-learnとその他必要なライブラリをインポートします。
import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression
②データの準備
今回は、仮想的なデータを生成して線形回帰モデルを作成します。
以下のコードで、入力変数(X)と目標変数(y)を生成します。
# データの生成 np.random.seed(0) X = np.random.rand(100, 1) y = 2 * X + 1 + np.random.rand(100, 1)
③データの分割
データをトレーニング用とテスト用に分割します。
これにより、モデルの性能評価がより正確に行えます。
# 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)
④モデルの訓練
線形回帰モデルを定義し、トレーニング用のデータセットを用いてモデルを訓練します。
# モデルの定義 model = LinearRegression() # モデルの訓練 model.fit(X_train, y_train)
⑤モデルの評価
テスト用のデータセットを用いてモデルの性能を評価します。
平均二乗誤差(MSE)を使用してモデルの予測精度を測定します。
# テストセットでの予測 y_pred = model.predict(X_test) # 平均二乗誤差の計算 mse = np.mean((y_pred - y_test) ** 2) # 結果の出力 print(f"平均二乗誤差: {mse:.2f}")
以上で、scikit-learnを使用してシンプルな線形回帰モデルを作成する手順が完了です。
◇最後に
本記事では、scikit-learnを活用して線形回帰モデルを作成する手順を紹介しました。
データの準備からモデルの訓練、評価までのステップを簡潔に説明しました。
このコードをベースにカスタマイズすることで様々な線形回帰モデルを作ることができます。
この記事も誰かの役に立つと嬉しいです。