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

498

5

章 機械学習

cv=LeaveOneOut())

grid.fit(x[:, None]);

こうしてスコアを最大にするバンド幅を見つけることができます（この場合、対数尤度がデフォ

ルトになります）。

In[12]: grid.best_params_

Out[12]: {'bandwidth': 1.1233240329780276}

最適なバンド幅は、

1.0

（すなわち、

scipy.stats.norm

のデフォルト値）であり、以前プロットし

た例に非常に近いものでした。

5.13.3

 事例：球面上の

KDE

おそらく

KDE

の最も一般的な使い方は、点の分布を図式的に表現することです。例えば、

Seaborn

ライブラリ（「4.16 Seabornによる可視化」で取り上げました）には

KDE

が組み込まれ、

1

次元や

2

次元のポイントを可視化するのに役立ちます。

ここ

では、分布を可視化するために

KDE

を少し洗練された形で使用します。

2

種類の南米哺乳類、

ノドチャナマケモノ（

Bradypus variegatus

）とコメネズミ（

Microryzomys minutus

）の記録された観

察の地理的分布を使用します。

scikit-learn

では、次のようにしてデータを取得できます。

In[13]: from sklearn.datasets import fetch_species_distributions

data = fetch_species_distributions()

# Get matrices/arrays ...