scikit-learn チートシート

インストールとインポート

インストール：pip install scikit-learn

scikit-learn と一般的な依存関係をインストールします。

# scikit-learnをインストール
pip install scikit-learn
# 追加パッケージと共にインストール
pip install scikit-learn pandas numpy matplotlib
# 最新バージョンにアップグレード
pip install scikit-learn --upgrade

必須インポート

scikit-learn のワークフローのための標準的なインポート。

# コアインポート
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score,
classification_report
# 一般的なアルゴリズム
from sklearn.linear_model import LinearRegression,
LogisticRegression
from sklearn.ensemble import RandomForestClassifier,
GradientBoostingRegressor
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier

バージョンの確認

scikit-learn のインストールを確認します。

import sklearn
print(sklearn.__version__)
# ビルド設定を表示
sklearn.show_versions()

データセットの読み込み

練習用に組み込みデータセットを読み込みます。

from sklearn.datasets import load_iris, load_boston,
make_classification
# サンプルデータセットの読み込み
iris = load_iris()
X, y = iris.data, iris.target
# 合成データの生成
X_synth, y_synth = make_classification(n_samples=1000,
n_features=20, n_informative=10, random_state=42)

データ前処理

訓練 - テスト分割：train_test_split()

データを訓練セットとテストセットに分割します。

# 基本的な分割 (80% 訓練，20% テスト)
X_train, X_test, y_train, y_test =
train_test_split(X, y, test_size=0.2,
random_state=42)
# 分類のための層化分割
X_train, X_test, y_train, y_test =
train_test_split(X, y, test_size=0.2,
stratify=y, random_state=42)
# 複数分割
X_train, X_temp, y_train, y_temp =
train_test_split(X, y, test_size=0.4,
random_state=42)
X_val, X_test, y_val, y_test =
train_test_split(X_temp, y_temp,
test_size=0.5, random_state=42)

特徴量スケーリング：StandardScaler() / MinMaxScaler()

特徴量を類似したスケールに正規化します。

# 標準化 (平均=0, 標準偏差=1)
from sklearn.preprocessing import
StandardScaler, MinMaxScaler
scaler = StandardScaler()
X_scaled =
scaler.fit_transform(X_train)
X_test_scaled =
scaler.transform(X_test)
# Min-Max スケーリング (0-1 の範囲)
minmax_scaler = MinMaxScaler()
X_minmax =
minmax_scaler.fit_transform(X_train)
X_test_minmax =
minmax_scaler.transform(X_test)

エンコーディング：LabelEncoder() / OneHotEncoder()

カテゴリ変数を数値形式に変換します。

# ターゲット変数のラベルエンコーディング
from sklearn.preprocessing import
LabelEncoder, OneHotEncoder
label_encoder = LabelEncoder()
y_encoded =
label_encoder.fit_transform(y)
# カテゴリ特徴量のワンホットエンコーディング
from sklearn.preprocessing import
OneHotEncoder
encoder =
OneHotEncoder(sparse=False,
drop='first')
X_encoded =
encoder.fit_transform(X_categorical)
# 特徴量名を取得
feature_names =
encoder.get_feature_names_out()

教師あり学習 - 分類

ロジスティック回帰：LogisticRegression()

二値分類および多クラス分類のための線形モデル。

# 基本的なロジスティック回帰
from sklearn.linear_model import LogisticRegression
log_reg = LogisticRegression(random_state=42)
log_reg.fit(X_train, y_train)
y_pred = log_reg.predict(X_test)
y_proba = log_reg.predict_proba(X_test)
# 正則化あり
log_reg_l2 = LogisticRegression(C=0.1, penalty='l2')
log_reg_l1 = LogisticRegression(C=0.1, penalty='l1',
solver='liblinear')

決定木：DecisionTreeClassifier()

分類タスクのためのツリーベースのモデル。

# 決定木分類器
from sklearn.tree import DecisionTreeClassifier
tree_clf = DecisionTreeClassifier(max_depth=5,
random_state=42)
tree_clf.fit(X_train, y_train)
y_pred = tree_clf.predict(X_test)
# 特徴量の重要度
importances = tree_clf.feature_importances_
# 木の可視化
from sklearn.tree import plot_tree
plot_tree(tree_clf, max_depth=3, filled=True)

ランダムフォレスト：RandomForestClassifier()

複数の決定木を組み合わせるアンサンブル手法。

# ランダムフォレスト分類器
from sklearn.ensemble import RandomForestClassifier
rf_clf = RandomForestClassifier(n_estimators=100,
random_state=42)
rf_clf.fit(X_train, y_train)
y_pred = rf_clf.predict(X_test)
# ハイパーパラメータチューニング
rf_clf = RandomForestClassifier(
    n_estimators=200,
    max_depth=10,
    min_samples_split=5,
    min_samples_leaf=2,
    random_state=42
)

サポートベクターマシン：SVC()

カーネル法を用いた強力な分類器。

# SVM 分類器
from sklearn.svm import SVC
svm_clf = SVC(kernel='rbf', C=1.0, gamma='scale',
random_state=42)
svm_clf.fit(X_train, y_train)
y_pred = svm_clf.predict(X_test)
# 異なるカーネル
svm_linear = SVC(kernel='linear')
svm_poly = SVC(kernel='poly', degree=3)
svm_rbf = SVC(kernel='rbf', gamma=0.1)

教師あり学習 - 回帰

線形回帰：LinearRegression()

連続的なターゲット変数に対する基本的な線形モデル。

# 単純な線形回帰
from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
lin_reg.fit(X_train, y_train)
y_pred = lin_reg.predict(X_test)
# 係数と切片の取得
coefficients = lin_reg.coef_
intercept = lin_reg.intercept_
print(f"R² スコア：{lin_reg.score(X_test, y_test)}")

リッジ回帰：Ridge()

L2 正則化を伴う線形回帰。

# リッジ回帰 (L2 正則化)
from sklearn.linear_model import Ridge
ridge_reg = Ridge(alpha=1.0)
ridge_reg.fit(X_train, y_train)
y_pred = ridge_reg.predict(X_test)
# alpha の選択のための交差検証
from sklearn.linear_model import RidgeCV
ridge_cv = RidgeCV(alphas=[0.1, 1.0, 10.0])
ridge_cv.fit(X_train, y_train)

ラッソ回帰：Lasso()

特徴量選択のための L1 正則化を伴う線形回帰。

# ラッソ回帰 (L1 正則化)
from sklearn.linear_model import Lasso
lasso_reg = Lasso(alpha=0.1)
lasso_reg.fit(X_train, y_train)
y_pred = lasso_reg.predict(X_test)
# 特徴量選択 (ゼロでない係数)
selected_features = X.columns[lasso_reg.coef_ != 0]
print(f"選択された特徴量：{len(selected_features)}")

ランダムフォレスト回帰：RandomForestRegressor()

回帰タスクのためのアンサンブル手法。

# ランダムフォレスト回帰器
from sklearn.ensemble import RandomForestRegressor
rf_reg = RandomForestRegressor(n_estimators=100,
random_state=42)
rf_reg.fit(X_train, y_train)
y_pred = rf_reg.predict(X_test)
# 回帰のための特徴量の重要度
feature_importance = rf_reg.feature_importances_

モデル評価

分類メトリクス

分類モデルの性能を評価します。

# 基本的な正解率
from sklearn.metrics import accuracy_score,
precision_score, recall_score, f1_score
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred,
average='weighted')
recall = recall_score(y_test, y_pred, average='weighted')
f1 = f1_score(y_test, y_pred, average='weighted')
# 詳細な分類レポート
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))
# 混同行列
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

ROC 曲線と AUC

ROC 曲線をプロットし、曲線下面積を計算します。

# 二値分類のための ROC 曲線
from sklearn.metrics import roc_curve, auc
fpr, tpr, thresholds = roc_curve(y_test, y_proba[:, 1])
roc_auc = auc(fpr, tpr)
# ROC 曲線のプロット
import matplotlib.pyplot as plt
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, label=f'ROC Curve (AUC = {roc_auc:.2f})')
plt.plot([0, 1], [0, 1], 'k--')
plt.xlabel('偽陽性率 (False Positive Rate)')
plt.ylabel('真陽性率 (True Positive Rate)')
plt.legend()

回帰メトリクス

回帰モデルの性能を評価します。

# 回帰メトリクス
from sklearn.metrics import mean_squared_error,
mean_absolute_error, r2_score
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"MSE: {mse:.4f}")
print(f"RMSE: {rmse:.4f}")
print(f"MAE: {mae:.4f}")
print(f"R²: {r2:.4f}")

交差検証 (Cross-Validation)

交差検証を用いた堅牢なモデル評価。

# K 分割交差検証
from sklearn.model_selection import cross_val_score,
StratifiedKFold
cv_scores = cross_val_score(model, X, y, cv=5,
scoring='accuracy')
print(f"CV 正解率: {cv_scores.mean():.4f} (+/-
{cv_scores.std() * 2:.4f})")
# 不均衡データセットのための層化 K 分割
skf = StratifiedKFold(n_splits=5, shuffle=True,
random_state=42)
cv_scores = cross_val_score(model, X, y, cv=skf,
scoring='f1_weighted')

教師なし学習

K 平均法クラスタリング：KMeans()

データを k 個のクラスターに分割します。

# K 平均法クラスタリング
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3, random_state=42)
cluster_labels = kmeans.fit_predict(X)
centroids = kmeans.cluster_centers_
# 最適なクラスター数の決定 (エルボー法)
inertias = []
K_range = range(1, 11)
for k in K_range:
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(X)
    inertias.append(kmeans.inertia_)

主成分分析：PCA()

次元削減技術。

# 次元削減のための PCA
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
explained_variance = pca.explained_variance_ratio_
# 最適なコンポーネント数の検索
pca_full = PCA()
pca_full.fit(X)
cumsum =
np.cumsum(pca_full.explained_variance_ratio_)
# 95% の分散を保持するコンポーネント数の検索
n_components = np.argmax(cumsum >= 0.95) + 1

DBSCAN クラスタリング：DBSCAN()

密度ベースのクラスタリングアルゴリズム。

# DBSCAN クラスタリング
from sklearn.cluster import DBSCAN
dbscan = DBSCAN(eps=0.5, min_samples=5)
cluster_labels = dbscan.fit_predict(X)
n_clusters = len(set(cluster_labels)) - (1 if -1 in
cluster_labels else 0)
n_noise = list(cluster_labels).count(-1)
print(f"クラスター数：{n_clusters}")
print(f"ノイズ点数：{n_noise}")

階層的クラスタリング：AgglomerativeClustering()

クラスターの階層を構築します。

# 階層的クラスタリング
from sklearn.cluster import AgglomerativeClustering
agg_clustering = AgglomerativeClustering(n_clusters=3,
linkage='ward')
cluster_labels = agg_clustering.fit_predict(X)
# デンドログラムの可視化
from scipy.cluster.hierarchy import dendrogram, linkage
linked = linkage(X, 'ward')
plt.figure(figsize=(12, 8))
dendrogram(linked)

モデル選択とハイパーパラメータチューニング

グリッドサーチ：GridSearchCV()

パラメータグリッド全体での網羅的な探索。

# ハイパーパラメータチューニングのためのグリッドサーチ
from sklearn.model_selection import GridSearchCV
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [3, 5, 7, None],
    'min_samples_split': [2, 5, 10]
}
grid_search = GridSearchCV(
    RandomForestClassifier(random_state=42),
    param_grid, cv=5, scoring='accuracy', n_jobs=-1
)
grid_search.fit(X_train, y_train)
best_model = grid_search.best_estimator_
best_params = grid_search.best_params_

ランダムサーチ：RandomizedSearchCV()

パラメータ分布からのランダムサンプリング。

# ランダムサーチ (大規模なパラメータ空間では高速)
from sklearn.model_selection import
RandomizedSearchCV
from scipy.stats import randint
param_dist = {
    'n_estimators': randint(100, 500),
    'max_depth': [3, 5, 7, None],
    'min_samples_split': randint(2, 11)
}
random_search = RandomizedSearchCV(
    RandomForestClassifier(random_state=42),
    param_dist, n_iter=50, cv=5, scoring='accuracy',
n_jobs=-1, random_state=42
)
random_search.fit(X_train, y_train)

パイプライン：Pipeline()

前処理とモデリングのステップを連鎖させます。

# 前処理とモデリングパイプラインの作成
from sklearn.pipeline import Pipeline
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('classifier', RandomForestClassifier(random_state=42))
])
pipeline.fit(X_train, y_train)
y_pred = pipeline.predict(X_test)
# パイプラインとグリッドサーチ
param_grid = {
    'classifier__n_estimators': [100, 200],
    'classifier__max_depth': [3, 5, None]
}
grid_search = GridSearchCV(pipeline, param_grid, cv=5)
grid_search.fit(X_train, y_train)

特徴量選択：SelectKBest() / RFE()

最も情報量の多い特徴量を選択します。

# 単変量特徴量選択
from sklearn.feature_selection import SelectKBest,
f_classif
selector = SelectKBest(score_func=f_classif, k=10)
X_selected = selector.fit_transform(X_train, y_train)
selected_features = X.columns[selector.get_support()]
# 再帰的特徴量除去
from sklearn.feature_selection import RFE
rfe = RFE(RandomForestClassifier(random_state=42),
n_features_to_select=10)
X_rfe = rfe.fit_transform(X_train, y_train)

高度なテクニック

アンサンブル手法：VotingClassifier() / BaggingClassifier()

複数のモデルを組み合わせて性能を向上させます。

# 投票分類器 (異なるアルゴリズムのアンサンブル)
from sklearn.ensemble import VotingClassifier
voting_clf = VotingClassifier(
    estimators=[
        ('lr', LogisticRegression(random_state=42)),
        ('rf', RandomForestClassifier(random_state=42)),
        ('svm', SVC(probability=True, random_state=42))
    ], voting='soft'
)
voting_clf.fit(X_train, y_train)
y_pred = voting_clf.predict(X_test)
# バギング分類器
from sklearn.ensemble import BaggingClassifier
bagging_clf = BaggingClassifier(DecisionTreeClassifier(),
n_estimators=100, random_state=42)
bagging_clf.fit(X_train, y_train)

勾配ブースティング：GradientBoostingClassifier()

誤差修正を伴う逐次的なアンサンブル手法。

# 勾配ブースティング分類器
from sklearn.ensemble import
GradientBoostingClassifier
gb_clf = GradientBoostingClassifier(n_estimators=100,
learning_rate=0.1, random_state=42)
gb_clf.fit(X_train, y_train)
y_pred = gb_clf.predict(X_test)
# 特徴量の重要度
importances = gb_clf.feature_importances_
# 学習曲線
from sklearn.model_selection import learning_curve
train_sizes, train_scores, val_scores =
learning_curve(gb_clf, X, y, cv=5)

不均衡データの処理：SMOTE() / クラスウェイト

データセット内のクラス不均衡に対処します。

# imbalanced-learn のインストール：pip install imbalanced-learn
from imblearn.over_sampling import SMOTE
smote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X_train,
y_train)
# クラスウェイトの使用
rf_balanced =
RandomForestClassifier(class_weight='balanced',
random_state=42)
rf_balanced.fit(X_train, y_train)
# 手動でのクラスウェイト計算
from sklearn.utils.class_weight import
compute_class_weight
class_weights = compute_class_weight('balanced',
classes=np.unique(y_train), y=y_train)
weight_dict = dict(zip(np.unique(y_train), class_weights))

モデルの永続化：joblib

訓練済みモデルの保存と読み込み。

# モデルの保存
import joblib
joblib.dump(model, 'trained_model.pkl')
# モデルの読み込み
loaded_model = joblib.load('trained_model.pkl')
y_pred = loaded_model.predict(X_test)
# パイプライン全体の保存
joblib.dump(pipeline, 'preprocessing_pipeline.pkl')
loaded_pipeline =
joblib.load('preprocessing_pipeline.pkl')
# pickle を使用した代替手段
import pickle
with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)
with open('model.pkl', 'rb') as f:
    loaded_model = pickle.load(f)

パフォーマンスとデバッグ

学習曲線：learning_curve()

過学習と未学習を診断します。

# 学習曲線のプロット
from sklearn.model_selection import learning_curve
train_sizes, train_scores, val_scores = learning_curve(
    model, X, y, cv=5, train_sizes=np.linspace(0.1, 1.0, 10)
)
plt.figure(figsize=(10, 6))
plt.plot(train_sizes, np.mean(train_scores, axis=1), 'o-',
label='訓練スコア')
plt.plot(train_sizes, np.mean(val_scores, axis=1), 'o-',
label='検証スコア')
plt.xlabel('訓練セットサイズ')
plt.ylabel('スコア')
plt.legend()

検証曲線：validation_curve()

ハイパーパラメータの影響を分析します。

# 単一ハイパーパラメータの検証曲線
from sklearn.model_selection import validation_curve
param_range = [10, 50, 100, 200, 500]
train_scores, val_scores = validation_curve(
    RandomForestClassifier(random_state=42), X, y,
    param_name='n_estimators',
param_range=param_range, cv=5
)
plt.figure(figsize=(10, 6))
plt.plot(param_range, np.mean(train_scores, axis=1), 'o-',
label='訓練')
plt.plot(param_range, np.mean(val_scores, axis=1), 'o-',
label='検証')
plt.xlabel('推定器の数 (Number of Estimators)')
plt.ylabel('スコア')

特徴量の重要度の可視化

どの特徴量がモデルの予測を駆動しているかを理解します。

# 特徴量の重要度のプロット
importances = model.feature_importances_
indices = np.argsort(importances)[::-1]
plt.figure(figsize=(12, 8))
plt.title("Feature Importance")
plt.bar(range(X.shape[1]), importances[indices])
plt.xticks(range(X.shape[1]), [X.columns[i] for i in indices],
rotation=90)
# モデルの解釈可能性のための SHAP 値
# pip install shap
import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)

モデル比較

複数のアルゴリズムを体系的に比較します。

# 複数のモデルを比較
from sklearn.model_selection import cross_val_score
models = {
    'ロジスティック回帰':
LogisticRegression(random_state=42),
    'ランダムフォレスト':
RandomForestClassifier(random_state=42),
    'SVM': SVC(random_state=42),
    '勾配ブースティング':
GradientBoostingClassifier(random_state=42)
}
results = {}
for name, model in models.items():
    scores = cross_val_score(model, X_train, y_train, cv=5,
scoring='accuracy')
    results[name] = scores.mean()
    print(f"{name}: {scores.mean():.4f} (+/- {scores.std() *
2:.4f})")

設定とベストプラクティス

ランダムステートと再現性

実行間で結果の一貫性を保証します。

# 再現性のためのランダムステートの設定
import numpy as np
np.random.seed(42)
# すべての sklearn コンポーネントで random_state を設定
model =
RandomForestClassifier(random
_state=42)
train_test_split(X, y,
random_state=42)
# 交差検証のため
cv = StratifiedKFold(n_splits=5,
shuffle=True, random_state=42)

メモリとパフォーマンス

大規模データセットと計算効率のための最適化。

# 並列処理のために n_jobs=-1 を使用
model =
RandomForestClassifier(n_jobs=
-1)
grid_search =
GridSearchCV(model,
param_grid, n_jobs=-1)
# 大規模データセットの場合、利用可能な場合は partial_fit を使用
from sklearn.linear_model
import SGDClassifier
sgd = SGDClassifier()
# データをチャンクごとに処理
for chunk in chunks:
    sgd.partial_fit(chunk_X,
chunk_y)

警告とデバッグ

一般的な問題の処理とモデルのデバッグ。

# 警告の抑制 (注意して使用)
import warnings
warnings.filterwarnings('ignore')
# Jupyter でのデバッグのためのより良い表示のための sklearn の set_config
from sklearn import set_config
set_config(display='diagram')  #
Jupyterでの表示を強化
# データリークの確認
from sklearn.model_selection
import cross_val_score
# CV ループ内で前処理が実行されていることを確認

関連リンク

• Python チートシート
• Pandas チートシート
• NumPy チートシート
• Matplotlib チートシート
• データサイエンス チートシート
• データベース チートシート