scikit-learnで機械学習【pythonAI入門】

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error
import numpy as np

# データ読み込み
# X：畳数、駅からの距離、築年数、y：家賃
X = np.array([[12,0.1,0],[8,0.5,5],[6,1,10],[4.5,3,20],[3,5,30]])
y = np.array([20,15,10,5,3])

# 訓練用・テスト用に分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# モデル作成＆学習
model = RandomForestRegressor(random_state=42).fit(X_train, y_train)

# 性能チェック　y_testは正解データ、y_predはx_testに対する予測データ
y_pred = model.predict(X_test)
# 精度評価
mae = mean_absolute_error(y_test, y_pred)
print(f"テストデータに対する平均絶対誤差：{mae:.2f}万円")
print(f"スコア（決定係数R^2）:{model.score(X, y):.3f}")

# 特徴量ごとの影響度
mfi = model.feature_importances_
print(f"特徴量ごとの重要度:{np.round(mfi,decimals=3)}")

# 家賃予測に活用
newroom=np.array([[10,2,12]])
y_new=model.predict(newroom)
print(f"新しい部屋の家賃予測：{y_new[0]:.2f}万円")

使用するパッケージ

インストールするときは、

pip install sklearn ではなく、pip install scikit-learn としなくてはなりません。

scikit-learnの他に、numpyも使用しています。

コードの解説

上記の最小コード例について詳細にご説明します。

モジュールの読み込み

from sklearn.ensemble import RandomForestRegressor

scikit-learnはサブモジュールの読み込みが必要なので、

import sklearn では使えません。

• sklearn.ensemble
  アンサンブル学習用のモデル（複数の予測器を組み合わせて精度を高める手法）が入っているモジュールです。
• RandomForestRegressor
  ランダムフォレスト回帰モデル。たくさんの決定木を組み合わせて、数値（連続値）の予測を行うためのアルゴリズム。

数字を予測したいときに適し、データの特徴をうまく捉え、精度も高く、直感的に理解しやすいのが特徴です。

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_absolute_error

• sklearn.metrics
  「モデルの精度を評価する指標や関数」がたくさん入っているモジュールです。
• mean_absolute_error
  平均絶対誤差（MAE）という「予測と本当の値のズレが平均でどれくらいあったか」を計算する関数。

数字を予測するタスクで、「1回あたりどのくらいズレていたか」を分かりやすく示してくれる指標です。

import numpy as np

numpyは、Pythonで数値計算を効率的に行うためのライブラリです。

X = np.array([[12,0.1,0],[8,0.5,5],[6,1,10],[4.5,3,20],[3,5,30]])
y = np.array([20,15,10,5,3])

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = RandomForestRegressor(random_state=42).fit(X_train, y_train)

ここがメインの学習の部分です。

RandomForestRegressorは、決定木ベースの回帰モデルです。学習が速く、解釈性も高いと言われています。

fit(X, y)は学習するメソッドで、これによって、学習済みのmodelオブジェクトができます。

モデルの性能チェック

y_pred = model.predict(X_test)

精度評価

mae = mean_absolute_error(y_test, y_pred)
print(f"テストデータに対する平均絶対誤差：{mae:.2f}万円")
print(f"スコア（決定係数R^2）:{model.score(X, y):.3f}")

平均絶対誤差

mean_absolute_error（）は、平均絶対誤差と呼ばます。モデルの予測がどれくらい外れたかを表す評価指標を計算する関数です。

sklearn.metricsという評価指標用のモジュールに含まれています。

平均絶対誤差を小数点以下2桁で整形して表示します。

スコア（決定係数R^2）

もう一つの精度評価として、AIのスコア（相関係数Rの二乗）は、モデルがデータをどれだけ説明できているか（=精度の点数）を示す数値です。sklearnのscore()メソッドで計算できます。

今回はデータ数が少なく、テスト用のデーターが一つしかないので、最初に用意した5つのデーター全てを使って、

model.score(X, y)

としてますが、本来は、テスト用のデータのみを使い、

model.score(X_test, y_test)

とした方が本当の予測精度として妥当です。

特徴量ごとの影響度

mfi = model.feature_importances_
print(f"特徴量ごとの重要度:{np.round(mfi,decimals=3)}")

feature_importances_は、各特徴量がどれくらい予測に役立ったかをモデルが教えてくれる指標です。

ランダムフォレストや決定木など「木構造のモデル」で使えます。

0~1の数値で有り、各特徴量の合計は1になります。この数字が大きいほど、その特徴量の影響の大きさが判ります。

feature_importances_ というように最後に”_”が付くものはscikit-learn流の慣習学で、学習後（fit実行後）の情報だという意味になります。

mfiはnumpy配列なので、小数点以下の指定ではなく、round()で小数点以下3桁に丸めています。

家賃予測に活用

newroom=np.array([[10,2,12]])
y_new=model.predict(newroom)
print(f"新しい部屋の家賃予測：{y_new[0]:.2f}万円")

最後に、新しいデータを使って、作ったAIモデルを活用します。

newroomには新しい部屋の情報（畳数=10、駅からの距離=2km、築年数=12年）がnumpy配列として入ります。

性能チェックの時と同じように、predict() を使って、新しい部屋の家賃を予想します。

テストデータに対する平均絶対誤差：1.05万円
スコア（決定係数R^2）:0.921
特徴量ごとの重要度:[0.363 0.357 0.28 ]新しい部屋の家賃予測：11.80万円