scikit-learn データ分析実装ハンドブック

実データに合わせて最適な予測モデルを作ることのできる Python ライブラリの scikit-learn 解説書です。本書は他の実装本とは異なり、アルゴリズムの解説に敢えて数式を採用し、実装で指定するハイパーパラメータと数式の関係が分かるよう工夫しました。また、ハイパーパラメータの値を増減し、そのときの予測の変化も紙面が許す限り記載しました。本書は不動産価格の予測やワイン品種の分類で使用する典型的なデータセットだけでなく、より実践的なデータ分析が学べるよう、タイタニック、気温、 MovieLens のデータセットを採用しています。これらのデータセットを用いて、前処理から予測モデル作成までの分析例を実例で紹介します。 第 1 章 機械学習とは何か 1.1 機械学習とは何か 1.2 機械学習の種類 第 2 章 scikit-learn と開発環境 2.1 scikit-learn とは 2.2 scikit-learn のセットアップ 2.3 scikit-learn による機械学習の基本的な実装 2.4 アルゴリズムチートシート 第 3 章 回帰 3.1 回帰のアルゴリズム 3.2 線形回帰 3.3 線形回帰の正則化 3.4 線形回帰の確率的勾配降下法 3.5 線形サポートベクトル回帰 3.6 ガウスカーネルのサポートベクトル回帰 3.7 ランダムフォレスト回帰 第 4 章 分類 4.1 分類のアルゴリズム 4.2 ロジスティック回帰 4.3 線形サポートベクトル分類 4.4 ガウスカーネルのサポートベクトル分類 4.5 ランダムフォレスト 第 5 章 クラスタリング 5.1 クラスタリングのアルゴリズム 5.2 K-means 5.3 混合ガウス分布 (GMM) 、変分混合ガウス分布 (VBGMM) 第 6 章 次元削減 6.1 次元削減のアルゴリズム 6.2 主成分分析 (PCA) 6.3 カーネル PCA 第 7 章 モデルの評価 7.1 モデルの評価 第 8 章 Preprocessing 、実データ分析 8.1 はじめに 8.2 ロジスティック回帰を活用したタイタニックの予測モデルの作成 8.3 ランダムフォレストを活用した気温分析と消費の予測モデルの作成 8.4 Collaborative filtering を活用したレコメンデーションモデル 8.5 MovieLens を使ったモデル作り 第 9 章 scikit-learn API 9.1 regression (回帰) 9.2 classification (分類) 9.3 clustering (クラスタリング) 9.4 dimensionality reduction (次元削減)