Scikit-learn入門：機械学習のアルゴリズム実行
Scikit-learnは、Pythonで利用できる、機械学習のための強力かつ使いやすいライブラリです。その豊富な機能と洗練されたAPIにより、データサイエンスの現場や研究開発において広く採用されています。本稿では、Scikit-learnを用いた機械学習アルゴリズムの実行に焦点を当て、その基本的な流れから、さらなる活用方法までを解説します。
1. Scikit-learnの基本構造とインストール
Scikit-learnは、NumPy、SciPy、Matplotlibといった科学計算ライブラリの上に構築されています。そのため、これらのライブラリが事前にインストールされていることが前提となります。インストールはpipコマンドで簡単に行えます。
pip install scikit-learn
インストールが完了すると、`sklearn`という名前でインポートできるようになります。
2. 機械学習のワークフロー
Scikit-learnを用いた機械学習は、一般的に以下のステップで進められます。
2.1. データの準備
機械学習モデルを訓練するためには、まずデータを準備する必要があります。これには、データの読み込み、欠損値の処理、特徴量エンジニアリングなどが含まれます。Scikit-learnは、Pandasライブラリと連携することで、これらのデータ操作を効率的に行うことができます。
2.2. データの分割
訓練データとテストデータに分割することは、モデルの汎化性能を評価するために不可欠です。Scikit-learnの`model_selection`モジュールには、`train_test_split`関数が用意されており、簡単にデータを分割できます。
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
ここで、`X`は特徴量データ、`y`は目的変数データです。`test_size`はテストデータの割合、`random_state`は再現性を確保するための乱数シードです。
2.3. モデルの選択とインスタンス化
実行したい機械学習タスク（分類、回帰、クラスタリングなど）に応じて、適切なアルゴリズムを選択します。Scikit-learnは、これらのタスクに対応する多様なアルゴリズムを提供しています。例えば、分類タスクであれば、ロジスティック回帰、サポートベクターマシン、決定木、ランダムフォレストなどがあります。
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
このように、モジュールからクラスをインポートし、インスタンス化します。
2.4. モデルの訓練（学習）
準備した訓練データを用いて、モデルを学習させます。これは、モデルの`fit()`メソッドに訓練データを渡すことで行われます。
model.fit(X_train, y_train)
この`fit()`メソッドが、アルゴリズムの内部でパラメータを調整し、データからパターンを学習するプロセスです。
2.5. モデルの評価
学習済みのモデルがどの程度性能を発揮するかを評価します。テストデータを用いて、モデルの予測を行い、その結果を評価指標（精度、再現率、F1スコア、RMSEなど）で比較します。Scikit-learnの`metrics`モジュールには、様々な評価指標が用意されています。
from sklearn.metrics import accuracy_score
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f”Accuracy: {accuracy}”)
2.6. モデルのチューニングと改善
評価結果が満足のいくものでない場合、モデルのハイパーパラメータを調整したり、特徴量エンジニアリングを見直したりして、モデルの性能改善を図ります。ハイパーパラメータチューニングには、`GridSearchCV`や`RandomizedSearchCV`といったクロスバリデーションを用いた手法が有効です。
3. 主要なアルゴリズムとその実行例
3.1. 分類 (Classification)
from sklearn.svm import SVC
svm_model = SVC(kernel=’linear’)
svm_model.fit(X_train, y_train)
svm_pred = svm_model.predict(X_test)
3.2. 回帰 (Regression)
from sklearn.linear_model import LinearRegression
lr_model = LinearRegression()
lr_model.fit(X_train, y_train)
lr_pred = lr_model.predict(X_test)
3.3. クラスタリング (Clustering)
クラスタリングは教師なし学習であり、目的変数（`y`）は使用しません。
from sklearn.cluster import KMeans
kmeans_model = KMeans(n_clusters=3, random_state=42)
clusters = kmeans_model.fit_predict(X)
4. 特徴量エンジニアリングと前処理
機械学習モデルの性能は、入力されるデータの質に大きく依存します。Scikit-learnの`preprocessing`モジュールは、データの前処理に役立つ様々なツールを提供しています。
4.1. スケーリング (Scaling)
特徴量間のスケールが大きく異なると、一部のアルゴリズム（例: SVM、ロジスティック回帰）の性能に影響を与えることがあります。標準化（Standardization）や正規化（Normalization）を行います。
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
4.2. カテゴリカル特徴量のエンコーディング
カテゴリカルなデータを数値データに変換する必要があります。One-Hot Encodingなどが一般的です。
from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder(handle_unknown=’ignore’)
X_encoded = encoder.fit_transform(X_categorical)
4.3. 次元削減
特徴量の数が多い場合、計算コストの増大や過学習のリスクが生じます。主成分分析（PCA）などの手法で次元を削減できます。
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
5. パイプラインの活用
前処理とモデルの訓練を一つのまとまりとして扱うために、Scikit-learnの`pipeline`モジュールは非常に便利です。これにより、コードの可読性が向上し、データリーク（訓練データにしか存在しない情報がテストデータに漏れること）を防ぎやすくなります。
from sklearn.pipeline import Pipeline
pipe = Pipeline([(‘scaler’, StandardScaler()), (‘svm’, SVC())])
pipe.fit(X_train, y_train)
pipe.score(X_test, y_test)
6. ハイパーパラメータチューニング
モデルの性能を最大限に引き出すためには、ハイパーパラメータの適切な設定が重要です。Scikit-learnは、グリッドサーチやランダムサーチといった手法を提供しています。
6.1. グリッドサーチ (Grid Search)
指定したハイパーパラメータの組み合わせの中から、クロスバリデーションを用いて最適なものを探索します。
from sklearn.model_selection import GridSearchCV
param_grid = {‘C’: [0.1, 1, 10], ‘gamma’: [1, 0.1, 0.01], ‘kernel’: [‘rbf’]}
grid = GridSearchCV(SVC(), param_grid, refit=True, verbose=2)
grid.fit(X_train, y_train)
print(f”Best parameters: {grid.best_params_}”)
6.2. ランダムサーチ (Random Search)
指定した範囲からランダムにハイパーパラメータをサンプリングし、探索します。グリッドサーチよりも効率的に最適なパラメータを見つけられる場合があります。
from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import uniform, expon
param_dist = {‘C’: uniform(loc=0, scale=10), ‘gamma’: expon(scale=1.0), ‘kernel’: [‘rbf’]}
rand = RandomizedSearchCV(SVC(), param_distributions=param_dist, n_iter=50, random_state=42)
rand.fit(X_train, y_train)
print(f”Best parameters: {rand.best_params_}”)
7. モデルの保存と読み込み
訓練済みのモデルは、再利用のために保存しておくことが一般的です。`pickle`や`joblib`ライブラリを使用します。
import pickle
with open(‘my_model.pkl’, ‘wb’) as f:
pickle.dump(model, f)
with open(‘my_model.pkl’, ‘rb’) as f:
loaded_model = pickle.load(f)
まとめ
Scikit-learnは、機械学習のライフサイクル全体をサポートする包括的なライブラリです。データの前処理からモデルの訓練、評価、チューニング、そして保存に至るまで、一貫したインターフェースで提供されており、Pythonでの機械学習開発を強力に推進します。本稿で紹介した基本的なワークフローと機能は、Scikit-learnを用いた機械学習プロジェクトの出発点として役立つでしょう。さらに高度なテクニックや、特定のアルゴリズムの詳細については、Scikit-learnの公式ドキュメントを参照することをお勧めします。
