Python Academy · レッスン

Scikit-Learnによる教師あり学習

Q: 「Scikit-Learnによる教師あり学習」で何を学びますか？

線形回帰や分類などの教師あり学習モデルを構築し、評価します。 ブラウザで直接実行するハンズオンコードでPython Academyを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。

線形回帰や分類などの教師あり学習モデルを構築し、評価します。

「Scikit-Learnによる教師あり学習」はCoddyKit上の無料Python Academyレッスンです。これはレッスン2/6です。下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。これはPython Academy学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 Python Academyコースには全6レッスンが含まれています。

Scikit-Learnによる教師あり学習

教師あり学習では、ラベル付きデータを使ってモデルを訓練し、予測やデータポイントの分類を行います。Scikit-learnは、教師あり学習モデルを実装するためによく使われるPythonライブラリです。

このレッスンでは、Scikit-learnを使って教師あり学習モデルを構築し、評価する方法を学びます。

教師あり学習とは？

教師あり学習では、各入力に対応する出力が用意されたラベル付きデータを使用します。入力から出力への対応関係を学習することが目的です。

一般的なタスクには、次のようなものがあります。

回帰：住宅価格などの連続値を予測します。
分類：メールがスパムかどうかなどのカテゴリを予測します。

Scikit-Learnのセットアップ

pipを使ってScikit-learnをインストールします。

pip install scikit-learn

インストールが完了したら、インポートしてモデルの構築を始められます。

線形回帰

線形回帰は、連続値の予測に使用します。シンプルな線形回帰モデルを構築してみましょう。

# Example: Linear Regression
from sklearn.linear_model import LinearRegression

# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))

ロジスティック回帰

ロジスティック回帰は、メールがスパムかどうかの判定など、二値分類タスクに使用します。

# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression

# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]

model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))

決定木

決定木は、回帰タスクと分類タスクの両方に対応できる汎用性の高いモデルです。シンプルな決定木分類器を構築してみましょう。

# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier

# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]

model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))

モデルの評価

Scikit-learnには、モデルの性能を評価するための指標が用意されています。

平均二乗誤差（MSE）：回帰モデルに使用します。
正解率：分類モデルに使用します。

# Example: Evaluating a model
from sklearn.metrics import mean_squared_error

# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))

訓練データとテストデータの分割

未知のデータに対するモデルの性能を評価するため、データセットは必ず訓練用とテスト用のセットに分割します。

# Example: Train-Test Split
from sklearn.model_selection import train_test_split

X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)

教師あり学習でよくある間違い

次のような間違いを避けてください。

データを訓練用とテスト用のセットに分割しないこと
複雑すぎるアルゴリズムを使用してモデルを過学習させること
ラベルの品質が低いデータを訓練に使用すること

何を学びましたか？

このレッスンでは、次のことを学びました。

Scikit-learnを使って回帰モデルと分類モデルを構築する方法
MSEや正解率などの指標を使ってモデルの性能を評価する方法
データを訓練用とテスト用のセットに分割することの重要性
教師あり学習タスクで避けるべきよくある間違い

よくできました。次のトピックに進みましょう。

よくある質問

「Scikit-Learnによる教師あり学習」レッスンは無料ですか？

はい。「Scikit-Learnによる教師あり学習」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、Python Academyコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 Python Academyコースには全6レッスンが含まれています。

「Scikit-Learnによる教師あり学習」で何を学びますか？

線形回帰や分類などの教師あり学習モデルを構築し、評価します。ブラウザで直接実行するハンズオンコードでPython Academyを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。

Python Academyを始めるのに経験は必要ですか？

事前経験は必要ありません。CoddyKitのPython Academyは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。これはレッスン2/6です。

「Scikit-Learnによる教師あり学習」レッスンにはどのくらい時間がかかりますか？

ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。

このPython Academyレッスンでコードを書いて実行できますか？

はい。すべてのPython Academyレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。

このコースのすべてのレッスン

← Python Academyに戻る