今回はscikit-learnで実装できる分類モデルをまとめてみました。
目次
scikit-learnの分離モデルまとめ
この記事では分類モデルの中でも代表的な以下9モデルについて実装方法を紹介します。
- SVC
- 線形回帰
- ロジスティック回帰
- K-近傍法
- 決定木
- ランダムフォレスト
- 勾配ブースティング
- ナイーブベイズ
- K-Means法
事前準備
scikit-learnをインストールしていない場合は以下のコマンドでインストールすることができます。
pip install -U scikit-learn分類モデル
1. SVC
from sklearn.svm import SVC
model = SVC()
model.fit(train_x, train_y)
pred = model.predict(test_x)2. 線形回帰
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(train_x, train_y)
pred = model.predict(test_x)3. ロジスティック回帰
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(train_x, train_y)
pred = model.predict(test_x)4. K-近傍法
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier()
model.fit(train_x, train_y)
pred = model.predict(test_x)5. 決定木
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier()
model.fit(train_x, train_y)
pred = model.predict(test_x)6. ランダムフォレスト
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(train_x, train_y)
pred = model.predict(test_x)7. 勾配ブースティング
from sklearn.ensemble import GradientBoostingClassifier
model = GradientBoostingClassifier()
model.fit(train_x, train_y)
pred = model.predict(test_x)8. ナイーブベイズ
from sklearn.naive_bayes import GaussianNB
model = GaussianNB()
model.fit(train_x, train_y)
pred = model.predict(test_x)9. k-means法
from sklearn.cluster import KMeans
model = KMeans()
model.fit(train_x, train_y)
pred = model.predict(test_x)まとめ
今回はscikit-learnで実装できる分類モデルをまとめてみました。
今後は簡単な機械学習をする記事もアップできればなーと考えています。それではまた！
私が使っているL字型パソコンデスクです↓
リンク
コメント