scikit-learnのロジスティック回帰の使い方について

はるか

ロジスティック回帰って、どういうアルゴリズムか知ってる？

ふゅか

もちろん！ロジスティック回帰は、分類問題を解くためのアルゴリズムだよ。主に分類問題、例えばスパムメールかどうかを判定するのに使われるの。

1. ロジスティック回帰の概要

scikit-learnのロジスティック回帰は、分類問題を解くためのアルゴリズムです。

2. Scikit-learnでの実装方法

Scikit-learnを使ってロジスティック回帰を実装するには、以下の手順で行います。

ふゅか

それから、モデルを使って予測して、その性能を評価するのよね。Scikit-learnだと結構簡単にできるの。

はるか

例えば、Irisデータセットを使ってモデルを学習させる。

2.1. 実装例

Scikit-learnでのロジスティック回帰の基本的な実装例を示します。

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# データの読み込み
iris = load_iris()
X = iris.data
y = 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=142)

# ロジスティック回帰モデルの作成と学習
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)

# テストデータで予測
y_pred = model.predict(X_test)

# モデルの精度を評価
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')

モデルの精度は次のようになります。

y_predの中身を確認すると次のようになります。

2.2. 解説

1. データセット: ここでは、load_iris()を使って有名なIrisデータセットを読み込んでいます。
2. データ分割: train_test_splitでデータをトレーニングセットとテストセットに分割します。
3. モデル作成と学習: LogisticRegressionを使ってモデルを作成し、fitメソッドで学習させます。max_iterは最大反復回数で、収束しない場合にこれを増やすことができます。
4. 予測と評価: テストデータを使って予測を行い、accuracy_scoreで精度を評価しています。