データサイエンスプロジェクトに Scikit-learn Python ライブラリを使用する方法

[[246038]]
柔軟で多様な Python ライブラリは、データ分析とデータマイニングのための強力な機械学習ツールを提供します。

Scikit-learn Python ライブラリは 2007 年に最初にリリースされ、さまざまな機械学習やデータサイエンスの問題を解決するためによく使用されています。この多用途のライブラリは、クリーンかつ一貫性のある効率的な API と包括的なオンラインドキュメントを提供します。

Scikit-learn とは何ですか?

Scikit-learn は、強力なデータ分析およびデータマイニングツールを備えたオープンソースの Python ライブラリです。 BSD ライセンスの下で利用可能であり、次の機械学習ライブラリ上に構築されています。

NumPy 、多次元配列と行列を操作するためのライブラリです。また、さまざまな計算を実行するために使用できる数学関数の広範なコレクションも備えています。
SciPy 、技術的な計算タスクを実行するためのライブラリのエコシステムです。
さまざまなチャートやグラフを描画するためのライブラリ、 Matplotlib 。

Scikit-learn は、データサイエンスプロジェクトで十分に活用できる幅広い組み込みアルゴリズムを提供します。

Scikit-learn ライブラリを使用する主な方法は次のとおりです。

1. 分類

分類ツールは、提供されたデータに関連付けられたカテゴリを識別します。たとえば、電子メールをスパムかそうでないか分類するために使用できます。

Scikit-learn の分類アルゴリズムには次のものがあります。

サポートベクターマシンサポートベクターマシン（SVM）
最も近い最も近い隣人
ランダムフォレストランダムフォレスト

2. 回帰

回帰では、入力データと出力データの関係を理解しようとするモデルを作成します。たとえば、回帰ツールを使用すると株価の動きを理解できます。

回帰アルゴリズムには次のものがあります。

サポートベクターマシンサポートベクターマシン（SVM）
リッジ回帰リッジ回帰
投げ縄

3. クラスタリング

Scikit-learn クラスタリングツールは、類似した特性を持つデータを自動的にグループ化するために使用されます。たとえば、顧客データは場所に基づいてセグメント化できます。

クラスタリングアルゴリズムには次のものがあります。

K平均法
スペクトルクラスタリングスペクトルクラスタリング
平均シフト

4. 次元削減

次元削減により、分析に使用されるランダム変数の数が削減されます。たとえば、周辺データは視覚化の効率を向上させるために考慮されない場合があります。

次元削減アルゴリズムには以下のものがあります。

主成分分析主成分分析（PCA）
特徴選択特徴選択
非負行列分解非負行列分解

5. モデルの選択

モデル選択アルゴリズムは、データサイエンスプロジェクトで使用する最適なパラメーターとモデルを比較、検証、選択するためのツールを提供します。

パラメータ調整によって精度を向上できるモデル選択モジュールには次のものがあります。

グリッド検索グリッド検索
クロス検証クロス検証
索引メトリクス

6. 前処理

Scikit-learn 前処理ツールは、データ分析中の特徴抽出と正規化において非常に重要です。たとえば、これらのツールを使用して、テキストなどの入力データを変換し、その特性を分析に適用できます。

前処理モジュールには以下が含まれます。

前処理
特徴抽出

Scikit-learn ライブラリの例

簡単な例を使って、データサイエンスプロジェクトで Scikit-learn ライブラリを使用する方法を説明しましょう。

Scikit-learn ライブラリに含まれている Iris flower データセットを使用します。アイリスの花のデータセットには、3 種類の花に関する 150 の詳細が含まれています。

セトサ: 0 とマーク
Versicolor: 1 としてマーク
Virginica: 2 とマーク

データセットには、花の種類ごとに次の特徴が含まれています (センチメートル単位で測定)。

萼片の長さ
萼片の幅
花びらの長さ
花びらの幅

ステップ1: ライブラリをインポートする

アイリスの花のデータセットは Scikit-learn データサイエンスライブラリに含まれているため、次のようにしてワークスペースに読み込むことができます。

 from sklearn import datasets
 iris = datasets . load_iris ()

これらのコマンドは、 sklearnからdatasetsモジュールをインポートし、 datasetsのload_iris()メソッドを使用してデータをワークスペースに含めます。

ステップ2: データセットの特徴を取得する

datasetsモジュールには、データの操作に慣れるためのいくつかのメソッドが含まれています。

Scikit-learn では、データセットはデータに関するすべての詳細が含まれる辞書のようなオブジェクトを指します。データは、配列リストである.dataキーを使用して保存されます。

たとえば、 iris.dataを使用して、アヤメの花のデータセットに関する情報を出力できます。

 print ( iris . data )

出力は次のとおりです (結果は切り捨てられています)。

 [[ 5.1 3.5 1.4 0.2 ]
   [ 4.9 3.   1.4 0.2 ]
   [ 4.7 3.2 1.3 0.2 ]
   [ 4.6 3.1 1.5 0.2 ]
   [ 5.   3.6 1.4 0.2 ]
   [ 5.4 3.9 1.7 0.4 ]
   [ 4.6 3.4 1.4 0.3 ]
   [ 5.   3.4 1.5 0.2 ]
   [ 4.4 2.9 1.4 0.2 ]
   [ 4.9 3.1 1.5 0.1 ]
   [ 5.4 3.7 1.5 0.2 ]
   [ 4.8 3.4 1.6 0.2 ]
   [ 4.8 3.   1.4 0.1 ]
   [ 4.3 3.   1.1 0.1 ]
   [ 5.8 4.   1.2 0.2 ]
   [ 5.7 4.4 1.5 0.4 ]
   [ 5.4 3.9 1.3 0.4 ]
   [ 5.1 3.5 1.4 0.3 ]

また、 iris.targetを使用して、花のさまざまなラベルに関する情報も提供します。

 print ( iris . target )

出力は次のようになります。

 [ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
   0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
   1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
   2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
   2 2 ]

iris.target_namesを使用すると、データセット内で見つかったラベル名の配列が出力されます。

 print ( iris . target_names )

Python コードを実行した結果は次のとおりです。

 [ 'setosa' 'versicolor' 'virginica' ]

ステップ3: データセットを視覚化する

ボックスプロットを使用して、アイリスデータセットの視覚的な表現を生成できます。ボックスプロットは、データが四分位数を通る平面上でどのように分布しているかを示します。

これを実現する方法は次のとおりです。

 import seaborn as sns
 box_data = iris . data # 表示数据数组的变量
box_target = iris . target # 表示标签数组的变量
sns . boxplot ( data = box_data , width = 0.5 , fliersize = 5 )
 sns . set ( rc ={ 'figure.figsize' :( 2 , 15 )})

結果を見てみましょう:

水平軸について:

0は萼片の長さ
1は萼片の幅
2は花びらの長さ
3は花びらの幅です

縦軸の寸法はセンチメートル単位です。

要約する

以下は、このシンプルな Scikit-learn データサイエンスチュートリアルの完全なコードです。

 from sklearn import datasets
 iris = datasets . load_iris ()
 print ( iris . data )
 print ( iris . target )
 print ( iris . target_names )
 import seaborn as sns
 box_data = iris . data # 表示数据数组的变量
box_target = iris . target # 表示标签数组的变量
sns . boxplot ( data = box_data , width = 0.5 , fliersize = 5 )
 sns . set ( rc ={ 'figure.figsize' :( 2 , 15 )})