機械学習チュートリアル
機械学習（Machine Learning）は人工知能（AI）の一分野であり、コンピュータシステムがデータとアルゴリズムを利用して自動的に学習し、その性能を向上させることを可能にします。
機械学習は、機械が経験（データ）を通じて意思決定や予測を行うようにするものです。
機械学習は、レコメンドシステム、画像認識、音声認識、金融分析など、多くの分野で広く応用されています。
例えば、機械学習によって、自動車は交通標識、歩行者、障害物を認識する方法を学習し、自動運転を実現できます。
機械学習と従来のプログラミングの違い
| 従来のプログラミング | 機械学習 |
|---|---|
| プログラマーが明確なルールを書く | コンピュータがデータからルールを学習する |
| 問題が明確で、ルールがはっきりしている場合に適する | 複雑で、ルールを明確にしにくい場合に適する |
| 例：電卓プログラムを作成する | 例：迷惑メールを識別するプログラムを作成する |
機械学習の三大要素
機械学習には3つの基本要素があります：
1. データ
データは機械学習の燃料であり、質が高く量が多いデータほど、通常モデルはより良く学習できます。
- トレーニングデータ：モデルを教えるために使用するデータ
- テストデータ：モデルの学習効果を検証するためのデータ
- 実データ：モデルが実際の応用で遭遇する新しいデータ
2. アルゴリズム
アルゴリズムは機械学習の学習方法であり、異なるアルゴリズムは異なるタイプの問題に適しています。
- 教師あり学習：正解がある学習
- 教師なし学習：正解がなく、自分でパターンを見つける
- 強化学習：試行錯誤と報酬を通じて学習する
3. モデル
モデルは学習の結果であり、学生が学んだ知識のようなものです。
- トレーニングプロセス：アルゴリズムがデータからパターンを学習する
- 推論プロセス：学んだパターンを使って予測を行う
実例
次に、簡単な例を通して機械学習の基本的な流れを理解しましょう。
Pythonを使用して、住宅価格を予測する簡単な線形回帰モデルを作成します。
実例
# 必要なライブラリをインポート
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import seaborn as sns
# グラフのスタイルを設定して、グラフを見やすくする
sns.set_style("whitegrid")
# -------------------------- 中国語フォントの設定 start --------------------------
plt.rcParams['font.sans-serif'] = [
# Windows 優先
'SimHei', 'Microsoft YaHei',
# macOS 優先
'PingFang SC', 'Heiti TC',
# Linux 優先
'WenQuanYi Micro Hei', 'DejaVu Sans'
]
# マイナス記号が四角く表示される問題を修正
plt.rcParams['axes.unicode_minus'] = False
# -------------------------- 中国語フォントの設定 end --------------------------
# 1. データを準備
# 住宅面積と対応する価格データがあると仮定
# 住宅面積（平方メートル）
house_sizes = np.array([50, 60, 70, 80, 90, 100, 110, 120]).reshape(-1, 1)
# 住宅価格（万元）
house_prices = np.array([150, 180, 210, 240, 270, 300, 330, 360])
# 2. モデルを作成してトレーニング
# 線形回帰モデルを作成
model = LinearRegression()
# データを使ってモデルをトレーニング（面積と価格の関係を学習）
model.fit(house_sizes, house_prices)
# 3. モデルを使って予測
# 85平方メートルの住宅価格を予測
predicted_price = model.predict([[85]])
print(f"85平方メートルの住宅の予測価格：{predicted_price)
# 4. 結果を可視化
plt.scatter(house_sizes, house_prices, color='blue', label='実データ')
plt.plot(house_sizes, model.predict(house_sizes), color='red', label='予測線')
plt.scatter([85], predicted_price, color='green', s=100, label='予測点')
plt.xlabel('住宅面積（平方メートル）')
plt.ylabel('住宅価格（万元）')
plt.title('サンプル 機械学習テスト -- 住宅面積と価格の関係')
plt.legend()
plt.grid(True)
plt.show()
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import seaborn as sns
# グラフのスタイルを設定して、グラフを見やすくする
sns.set_style("whitegrid")
# -------------------------- 中国語フォントの設定 start --------------------------
plt.rcParams['font.sans-serif'] = [
# Windows 優先
'SimHei', 'Microsoft YaHei',
# macOS 優先
'PingFang SC', 'Heiti TC',
# Linux 優先
'WenQuanYi Micro Hei', 'DejaVu Sans'
]
# マイナス記号が四角く表示される問題を修正
plt.rcParams['axes.unicode_minus'] = False
# -------------------------- 中国語フォントの設定 end --------------------------
# 1. データを準備
# 住宅面積と対応する価格データがあると仮定
# 住宅面積（平方メートル）
house_sizes = np.array([50, 60, 70, 80, 90, 100, 110, 120]).reshape(-1, 1)
# 住宅価格（万元）
house_prices = np.array([150, 180, 210, 240, 270, 300, 330, 360])
# 2. モデルを作成してトレーニング
# 線形回帰モデルを作成
model = LinearRegression()
# データを使ってモデルをトレーニング（面積と価格の関係を学習）
model.fit(house_sizes, house_prices)
# 3. モデルを使って予測
# 85平方メートルの住宅価格を予測
predicted_price = model.predict([[85]])
print(f"85平方メートルの住宅の予測価格：{predicted_price)
# 4. 結果を可視化
plt.scatter(house_sizes, house_prices, color='blue', label='実データ')
plt.plot(house_sizes, model.predict(house_sizes), color='red', label='予測線')
plt.scatter([85], predicted_price, color='green', s=100, label='予測点')
plt.xlabel('住宅面積（平方メートル）')
plt.ylabel('住宅価格（万元）')
plt.title('サンプル 機械学習テスト -- 住宅面積と価格の関係')
plt.legend()
plt.grid(True)
plt.show()
実行結果：
85 平方米的房屋预测价格：255.00 万元
この例は機械学習の基本的な流れを示しています：
- データの準備（住宅面積と価格）
- アルゴリズムの選択（線形回帰）
- モデルのトレーニング（コンピュータに面積と価格の関係を学習させる）
- モデルを使った予測（新しい面積の価格を予測）
出力された図は以下の通りです：
