Pythonで始める機械学習入門（7）：Pythonの機械学習ライブラリ「scikit-learn」で実践する「教師あり学習」「教師なし学習」 (1/3)

最近流行の機械学習／Deep Learningを試してみたいという人のために、Pythonを使った機械学習について主要なライブラリ／ツールの使い方を中心に解説する連載。今回は、Pythonの機械学習ライブラリ「scikit-learn」を使って「教師あり学習」「教師なし学習」などについて説明します。

　プログラミング言語「Python」は機械学習の分野で広く使われており、最近の機械学習／Deep Learningの流行により使う人が増えているかと思います。一方で、「機械学習に興味を持ったので自分でも試してみたいけど、どこから手を付けていいのか」という話もよく聞きます。本連載「Pythonで始める機械学習入門」では、そのような人をターゲットに、Pythonを使った機械学習について主要なライブラリ／ツールの使い方を中心に解説しています。

　連載第1回の「Pythonで機械学習／Deep Learningを始めるなら知っておきたいライブラリ／ツール7選」では、ライブラリ／ツール群の概要を説明しました。前回は、その中でもJupyter Notebookの基本操作と設定について説明しました。

　連載第3回から第1回で紹介した各種ライブラリを使う具体的なコードを例示していますが、Jupyter Notebook形式で書いています。

　今回は「scikit-learn」を使った機械学習について説明します。scikit-learnは、機械学習の有名なアルゴリズムを多く含んでおり、また機械学習に必要なデータ処理などのツールも提供しています。

　前回までと同様、次のように「NumPy」「Matplotlib」をインポートしておきます。

　なお本稿では、Pythonのバージョンは3.x系であるとします。

※今回のサンプルコードは、こちらからダウンロードできます

あやめデータ

　以下の解説では、主にscikit-learnに付属している「あやめ」のデータ（irisデータ）を使って説明します。このデータは、あやめの花の幾つかの箇所の寸法と、その品種についての情報を含んでいます。

　まずは次のようにしてあやめデータを読み込みます。

　これで変数irisにあやめデータが入れられました。このメンバ変数「DESCR」にはデータに関する説明が入っているので見てみましょう。

　冒頭の部分の概訳は次のようになります。

データセットの特徴：
    ：インスタンスの数：150（各クラスについて50個ずつ）
    ：属性の数：予測のための数値が4つと、クラスが1つ
    ：属性の情報：
        - ガクの長さ
        - ガクの幅
        - 花びらの長さ
        - 花びらの長さ
        - クラス（あやめの3つの種類「Setosa」「Versicolour」「Verginica」のいずれか）

　ここで「クラス」とは、花に与えられる「分類ラベル」のことです。では実際の属性のデータを見てみます。特徴量に当たる4つの属性は次のようになっています。

　このように特徴量はメンバ変数「data」に入っています。各行が1つの花の個体に対応しています。ここでは最初の10行分だけを表示しています。

　次にラベルの値を表示してみます。

　このようにラベルはメンバ変数targetに入っています。この0、1、2という数字は「各サンプルが、どの種類のあやめに属するか」を表しています。