Python で線形回帰を実装する

線形回帰の概念を理解できたので、Python を使って実装してみましょう。ここでは、広く利用されている scikit-learn ライブラリを使用します。

Step 1: データの準備

まず、データセットを準備する必要があります。この例では、1つの独立変数（x）と1つの従属変数（y）を持つ単純なデータセットを使用します。

データは次のとおりです。

• x：1, 2, 3, 4, 5
• y：2, 4, 6, 8, 10

Step 2: 必要なライブラリのインポート

次のライブラリをインポートします。

• numpy：数値計算に使用します。
• matplotlib：可視化に使用します。
• scikit-learn：機械学習アルゴリズムに使用します。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

Step 3: モデルの作成

scikit-learn の LinearRegression クラスを使って線形回帰モデルを作成し、データに適合させます。

x = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])

model = LinearRegression()
model.fit(x, y)

Step 4: 予測の実行

モデルの学習が完了したら、それを使って予測できます。たとえば、x = 6 のときの y の値を予測します。

prediction = model.predict(np.array([[6]]))
print(f"Predicted value for x=6: {prediction[0]}")

Step 5: 結果の可視化

データ点と回帰直線をプロットして、モデルがデータにどの程度適合しているかを視覚的に確認できます。

plt.scatter(x, y, color='blue', label='Data points')
plt.plot(x, model.predict(x), color='red', label='Regression line')
plt.title('Linear Regression Visualization')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

Step 6: モデルの評価

決定係数（R-squared）などの指標を使って、モデルの性能を評価します。決定係数は、モデルがデータの変動をどの程度説明できるかを測定する指標です。

r_squared = model.score(x, y)
print(f"R-squared value: {r_squared}")

線形回帰を実装する際には、次のような課題に直面することがあります。

• 小規模なデータセットでの過学習。
• 外れ値への感度。
• 複数の変数における多重共線性への対処。

このレッスンでは、次の内容を学びました。

• scikit-learn を使った線形回帰の実装。
• 予測の実行と結果の可視化。
• R-squared を使ったモデルの評価。

次は、分類問題に使われるロジスティック回帰の概念について学びます。