株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
Pythonで機械学習を始める前に知っておくべきこと
機械学習とは、データからパターンを学習し、予測や分類を行うAI技術の一分野です。近年、ビジネス現場での需要が急拡大しており、マーケティング分析・需要予測・異常検知・採用スコアリングなど、幅広い領域で活用されています。
Pythonは機械学習実装の事実上の標準言語です。豊富なライブラリ、コミュニティの充実、読みやすい文法の三拍子が揃っており、初学者から研究者・現場エンジニアまで幅広く支持されています。本記事では、Pythonとscikit-learnを使った機械学習入門として、分類・回帰・クラスタリングの実装コードと学習ロードマップを体系的に解説します。
scikit-learnとは?6つの主要機能を解説
scikit-learn(サイキットラーン)は、Pythonのオープンソース機械学習ライブラリです。NumPy・SciPyをベースに構築されており、統一されたAPIで様々なアルゴリズムを利用できます。(出典:scikit-learn:Getting Started)
scikit-learnが提供する主要機能は以下の6つです。
- 分類(Classification):スパム判定・画像認識・顧客セグメントなど
- 回帰(Regression):売上予測・価格予測・数値推定など
- クラスタリング(Clustering):顧客グルーピング・異常検知など
- 次元削減(Dimensionality Reduction):特徴量圧縮・可視化など
- 前処理(Preprocessing):標準化・エンコーディング・欠損値処理など
- モデル評価・選択(Model Selection):クロスバリデーション・グリッドサーチなど
インストールはpipコマンド一行で完了します。
pip install scikit-learn
【実装コード】分類(Classification)の基本
分類は、データをあらかじめ定義されたカテゴリに振り分けるタスクです。以下はアイリスデータセットを使ったランダムフォレスト分類の例です。
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# データ読み込み
iris = load_iris()
X, y = iris.data, iris.target
# 訓練データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
# モデル学習
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
# 予測と評価
y_pred = model.predict(X_test)
print(f"精度: {accuracy_score(y_test, y_pred):.4f}")
# 出力例: 精度: 1.0000
scikit-learnの統一APIにより、fit()で学習、predict()で予測という共通のインターフェースで操作できます。ランダムフォレスト以外にも、LogisticRegressionやSVC(サポートベクターマシン)など、対応するクラスをインポートし、初期化時の引数もそのクラスに合わせて変更すれば、共通の学習・予測手順を使えます。例えば、上のn_estimatorsはそのままLogisticRegressionやSVCには渡せません。(出典:scikit-learn:推定器のAPIとパラメータ)
【実装コード】回帰(Regression)の基本
回帰は、連続した数値を予測するタスクです。以下はmake_regressionで生成した、500件・5特徴量の人工データを使った線形回帰の例です。乱数による線形関係にノイズを加えたデータで、実際の住宅価格やその分布を再現したものではありません。(出典:scikit-learn:make_regression)
from sklearn.datasets import make_regression
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np
# データ生成
X, y = make_regression(n_samples=500, n_features=5, noise=20, random_state=42)
# 分割
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
# モデル学習
model = LinearRegression()
model.fit(X_train, y_train)
# 評価
y_pred = model.predict(X_test)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
r2 = r2_score(y_test, y_pred)
print(f"RMSE: {rmse:.2f}, R²: {r2:.4f}")
評価指標にはRMSE(二乗平均平方根誤差)やR²(決定係数)を使います。より複雑なデータにはRandomForestRegressorやGradientBoostingRegressorが有効です。
【実装コード】クラスタリング(Clustering)の基本
クラスタリングは、ラベルなしデータを似たグループに分ける教師なし学習です。以下はK-Meansを使った例です。
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
# データ生成(3クラスタ)
X, _ = make_blobs(n_samples=300, centers=3, cluster_std=0.8, random_state=42)
# K-Meansクラスタリング
kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
kmeans.fit(X)
labels = kmeans.labels_
print("クラスタ中心:", kmeans.cluster_centers_)
print(f"慣性(Inertia): {kmeans.inertia_:.2f}")
クラスタ数を検討する方法の一つにエルボー法(慣性の変化を可視化)があります。顧客セグメンテーションや異常検知に使う場合も、慣性だけで決めず、シルエット分析や業務上の解釈と合わせてクラスタ数の妥当性を確認します。(出典:scikit-learn:シルエット分析によるクラスタ数の検討)
前処理(Preprocessing)と特徴量エンジニアリング
機械学習の精度は前処理の品質に大きく依存します。scikit-learnには充実した前処理ツールが用意されています。
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.impute import SimpleImputer
import numpy as np
X_with_nan = np.array([[1.0, 2.0], [np.nan, 3.0], [4.0, 5.0]])
# 欠損値補完(平均値で補完)
imputer = SimpleImputer(strategy='mean')
X_imputed = imputer.fit_transform(X_with_nan)
# 標準化(平均0・分散1に変換)
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_imputed)
# 目的変数のカテゴリラベルを数値に変換(説明用のラベル)
y_categorical = np.array(["class_a", "class_b", "class_a"])
le = LabelEncoder()
y_encoded = le.fit_transform(y_categorical)
上のコードは、欠損値補完、標準化、目的変数のラベル変換を用意した配列で試す例です。LabelEncoderは目的変数の変換に使います。モデルを評価する手順では、先に学習用と評価用のデータを分けます。Pipelineに前処理とモデルを入れ、欠損値の補完に使う中央値や標準化に使う平均を学習データから求めます。交差検証でも、分割ごとに学習側からそれらの数値を求めます。予測時に知り得ない情報を学習へ混ぜないための手順です。前処理も含むモデルを配備するときの確認項目は、再学習モデルのリリース判定で整理しています。(出典:SimpleImputer、LabelEncoder、scikit-learnの前処理とデータリーク)
初学者のための機械学習ロードマップ
機械学習を段階的に学ぶためのロードマップ例です。各ステップの期間は本記事の計画例であり、習得に必要な標準期間ではありません。プログラミング経験や1日に確保できる学習時間に応じて調整し、各ステップで手を動かして理解を確認します。
Step 1:Python基礎(計画例:1〜2週間)
変数・リスト・辞書・関数・クラスの基礎を習得します。NumPyとpandasの操作(配列演算・データフレーム処理)まで進めましょう。
Step 2:データ可視化(計画例:1週間)
MatplotlibとSeabornでデータを可視化し、EDA(探索的データ分析)の感覚を養います。
Step 3:scikit-learnで基本アルゴリズム習得(計画例:2〜3週間)
分類・回帰・クラスタリングの主要アルゴリズムをコード実装で学びます。本記事のサンプルコードを実際に動かすことから始めてください。
Step 4:モデル評価と改善(計画例:2週間)
交差検証で設定を選び、採用候補を決めてから取り置いたテストデータで確認します。利用者や製品の記録が繰り返し登場するデータでは、同じ利用者や製品が学習側とテスト側にまたがらない分け方を検討します。翌月の結果を予測する練習なら、過去から学習して後の期間で評価します。分割を先に決めておくと、結果が良く見える条件だけを選ぶことを避けやすくなります。scikit-learnの交差検証と分割方法
たとえば、架空の100件の受付から要確認5件を探します。すべて通常と判定すると、100件中95件が正解でも要確認を5件とも見逃します。別のモデルが要確認を4件拾い、通常の7件も確認へ回した場合、正解は92件です。要確認を拾えた割合は5件中4件で80%、確認に回したもののうち実際に要確認だった割合は11件中4件で約36%です。確認する担当者の手間と見逃しの影響から、比較する指標と判断条件を決めます。
Step 5:実践プロジェクト(継続)
公開データや利用を許可されたデータで、データの取得日、分割条件、選んだモデル、誤分類の例を一つの記録に残します。別の環境で予測を再現する場合は、モデルと前処理の組み合わせ、Pythonと依存ライブラリの版、入力列の名前と型をそろえます。pickleやjoblibで保存したモデルは信頼できる入手元のものだけを読み込みます。保存形式ごとの条件はscikit-learnのモデル保存ガイドで確認できます。モデルの配備後に精度や入力データの変化を確認する仕事は、MLOpsの基礎と運用手順につながります。
