Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

5.8

 詳細：決定木とランダムフォレスト

433

9 0.96 0.98 0.97 46

avg / total 0.98 0.98 0.98 450

そして、どの程度正しいのかを混合行列を使って測ります（図 5-79）。

In[16]: from sklearn.metrics import confusion_matrix

mat = confusion_matrix(ytest, ypred)

sns.heatmap(mat.T, square=True, annot=True, fmt='d', cbar=False, cmap='RdPu')

plt.xlabel('true label')

plt.ylabel('predicte

d label');

真のラベル

図5-79　ランダムフォレストによる文字認識の混合行列

特に調整を行っていない単純なランダムフォレストでも、文字が非常に正確に分類できることが

わかります。

5.8.5

 ランダムフォレストまとめ

この節では、アンサンブルの概念、特にランダムな決定木のアンサンブルであるランダムフォレ

ストモデルについて簡単に紹介しました。ランダムフォレストは、いくつかの利点を持つ強力な手

法です。

●

基礎となる決定木の単純さにより、学習と予測の両方が非常に高速に動作します。さらに、

個々の決定木が完全に独立した存在なので、それぞれのタスクの並列化が容易です。

●

複数の決定木による確率的な分類が可能です。推定器ごとの確率（

scikit-learn

では ...