13章線形回帰
レシピ13.0 はじめに
線形回帰は、我々が利用できるアルゴリズムのうち、最も単純な教師あり学習手法の1つだ。大学で統計学入門の授業を取っていたら、最後のトピックが線形回帰だったはずだ。線形回帰は単純すぎるので、機械学習だと認められない場合もある。しかし実際には、ターゲットベクトルが量的な値である場合(例:住宅価格、年齢)に予測を行う方法として、線形回帰とその拡張は、これまでもこれからもよく用いられる有用な手法なのだ。本章では、さまざまな線形回帰モデル(とその拡張)を用いて、性能の良い予測モデルを作る方法を説明する。
レシピ13.1 直線によるフィッティング
問題
特徴量とターゲットベクトルの間の線形な関係を表すモデルを訓練したい。
解決策
線形回帰(scikit-learnではLinearRegression
)を用いる。
# ライブラリをロード from sklearn.linear_model import LinearRegression from sklearn.datasets import load_boston # データをロードし、特徴量を2つに制限 boston = load_boston() features = boston.data[:,0:2] target = boston.target # 線形回帰器を作成 regression = LinearRegression() # 線形回帰器を訓練 model = regression.fit(features, target)
議論
線形回帰は、特徴量とターゲットベクトルの間におおよそ線形の関係があることを仮定する。つまり、特徴量のターゲットベクトルに与える影響(係数(coefficient)、 ...
Get Python機械学習クックブック now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.