モデルの精度評価 | モデルの評価と改善 | Python本格超入門

現在作成中です。今後加筆修正してまいります。
スポンサーリンク
スポンサーリンク

モデルの精度評価

モデルを作成した後、モデルの精度を評価することは機械学習において非常に重要なプロセスです。モデルの性能を確認することで、改善の余地や次のステップを決めるための指針を得ることができます。本記事では、Pythonの主要なライブラリを用いたモデルの精度評価方法を紹介します。

精度評価のためのPythonコード

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier

# データセットの読み込み
iris = load_iris()

# 特徴量とターゲット変数に分ける
X = iris.data
y = iris.target

# データセットを訓練セットとテストセットに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# モデルの作成 (ランダムフォレスト分類器)
model = RandomForestClassifier()

# モデルの訓練
model.fit(X_train, y_train)

# テストセットで予測
y_pred = model.predict(X_test)

# 精度の計算
accuracy = accuracy_score(y_test, y_pred)

# 混同行列の生成
conf_matrix = confusion_matrix(y_test, y_pred)

# 詳細な分類レポート
class_report = classification_report(y_test, y_pred)

# 結果の表示
print(f"Accuracy: {accuracy}")
print("Confusion Matrix:")
print(conf_matrix)
print("Classification Report:")
print(class_report)

コードの解説

このコードは、Irisデータセットを用いた分類問題の精度評価を行っています。

  • データセットの読み込み: load_iris() 関数を使ってIrisデータセットをロードし、特徴量とターゲットに分けています。
  • 訓練セットとテストセットの分割: train_test_split() を使い、80%のデータを訓練セット、20%をテストセットとして分けています。
  • モデルの作成と訓練: RandomForestClassifier() を使ってランダムフォレストモデルを作成し、訓練セットでモデルを訓練します。
  • 予測の実施: テストセットを使って予測を行い、accuracy_score() 関数を使って精度を計算します。
  • 混同行列と分類レポートの生成: confusion_matrix() で混同行列、classification_report() で詳細なレポートを生成し、モデルの性能を評価します。

評価のポイント

モデルの評価は以下のポイントを意識して行います:

  • 精度: 正確に分類できたデータの割合を示します。accuracy_score() を使用して計算されます。
  • 混同行列: 各クラスで正しく分類されたデータと誤分類されたデータの数を表示します。特に、クラスごとの分類性能を確認するのに役立ちます。
  • 分類レポート: Precision(適合率)、Recall(再現率)、F1-scoreなど、より詳細な指標を提供します。モデルのバランスを確認するのに重要な指標です。

まとめ

モデルの精度評価は、機械学習において必須のプロセスです。Irisデータセットを使用して基本的な評価方法を解説しましたが、実際のデータに応じて様々な評価指標を活用することが重要です。特に、分類レポートや混同行列を使うことで、モデルの弱点や改善点をより具体的に把握できます。

Amazonロゴ
   
ad.価格範囲を指定して商品を探せます。セールで助かる便利ツール
本格超入門
スポンサーリンク
このページをメモ、または、シェア