「【キカガク流】人工知能・機械学習 脱ブラックボックス講座 – 初級編 – & – 中級編 -」

Udemyで「【キカガク流】人工知能・機械学習 脱ブラックボックス講座」の初級編と中級編を受講しました。Pythonを初めて学びましたが、非常に分かりやすい説明で理解することができました。せっかく学んだ内容を忘れないように、Pythonでの記述の仕方を記しておきます。使用しているフォントの関係でシングルクォーテーションが全角になってしまいますが、半角です。

基礎
　べき乗　**
　等号　==
　 不等号　!=
　 改行　\n
　 コメントアウト ctl/
　 リスト　[1,2,3,4]
　 タプル　(1,2,3,4)
　 辞書　[‘a’:1, ‘b’:2, ‘c’:3, ‘d’:4]
　if文
　　if ～:　
　　elif ～:　
　　else ～:
　返り値がある場合　return
　 グラフの描画
　　 import matplotlib.pyplot as plt
　　 plt.scatter(x, y)
　　 plt.show
　 統計量の算出
　　 df.describe()

単回帰分析
　データの読み込み
　　import pandas as pd
　　df = pd.read_csv(‘ファイル名’) # 拡張子を忘れないこと
　予測値を計算する関数の作成
　　def predict(x):
　　　# 定数
　　　mean = df.mean()
　　　xm = mean[‘x’]
　　　ym = mean[‘y’]
　　　# パラメータの計算
　　　xx = x * x
　　　xy = x * y
　　　a = xy.sum() / xx.sum() # 評価関数（損失関数）を微分して0になるパラメータ
　　　# 中心化
　　　xc = x – xm
　　　y_hat = a * xc + ym
　　　# 出力
　　　return y_hat
　　predict(任意の値)

行列演算の基礎
　import numpy as np
　ベクトルの定義
　　x = np.array([[1],[2],[3]]) # []を二重にしないと転置しない
　行列の定義
　　X = np.array([[1,2],[3,4]])
　転置
　　Xt = (X.T)
　逆行列
　　X_inv = np.linalg.inv(X)
　行列積
　　XX_inv = np.dot(X, X_inv)
　行数・列数の確認
　　X.shape

Scikit-learnで実装
　import sklearn
　from sklearn.linear_model import LinearRegression # 重回帰分析のみ読み込み
　model = LinearRegression() # モデルの宣言
　model.fit(X, y) # モデルの学習←パラメータの調整
　model.coef_ # 調整後のパラメータ
　model.intercept_ # 切片
　model.score(X, y) #予測精度←決定係数
　予測値の計算
　　x = X.iloc[0, :] # 1行目を代入
　　y_pred = model.predict([x])[0]
　　y_pred

外れ値除去＋重回帰分析 ＋スケーリング
　%matplotlib inline
　import numpy as np
　import pandas as pd
　df = pd.read_csv(‘ファイル名’)
　import seaborn as sns
　sns.distplot(df[‘任意の変数’]) # 分布の確認
　cols = df.columns
　外れ値除去
　　_df = df
　　for col in cols:
　　　low = mean[col] – 3 * sigma[col]
　　　high = mean[col] + 3 * sigma[col]
　　　_df = _df[(_df[col] > low) & (_df[col] < high)]
　入力変数と出力変数に分割
　　X = _df.iloc[:, :-1]
　　y = _df.iloc[:, -1]
　訓練データと検証データに分割
　　import sklearn
　　from sklearn.model_selection import train_test_split
　　X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=1)
　重回帰分析
　　from sklearn.linear_model import LinearRegression
　　model = LinearRegression()　
　　model.fit(X_train, y_train)
　　model.score(X_train, y_train)
　　model.score(X_test, y_test)
　スケーリング
　　from sklearn.preprocessing import StandardScaler
　　scaler = StandardScaler()
　　scaler.fit(X_train)
　　X_train2 = scaler.transform(X_train)
　　X_test2 = scaler.transform(X_test)
　　model = LinearRegression()
　　model.fit(X_train2, y_train)
　　model.score(X_train2, y_train)
　　model.score(X_test2, y_test)
　　np.set_printoptions(precision=2, suppress=True)
　　model.coef_
　　sns.distplot(_df[‘任意の変数’])