[機械学習]バリデーション手法 徹底解説 Part.2
本記事 Part.2では、前回 Part.1にて紹介したよく用いられるバリデーション手法についてコードを用いて説明します！
はじめに
本記事 Part.2では、前回 Part.1にて紹介したよく用いられるバリデーション手法についてコードを用いて説明します。
なぜやるのか
機械学習の様々な手法を初めて触れる方々にとって、scikit-learnなどのドキュメントは読んでて楽しいものの、情報量が多く、理解しにくいことがあります。
そこで、文字での説明に加えてコードを示すことで、手法の概念をより明確にし、具体的な実装方法を視覚的に理解しやすくすることができます。
私が目指すのは、読者の皆さんが機械学習の手法をただ理解するだけでなく、実際にコードとして実装できるようになることを支援することです。
文法の説明
test_size：テストセットに割り当てるデータの割合または数を指定しますtest_size=0.2はデータの20%をテストセットに使用し、残りの80%をトレーニングセットに使用することを意味します。
random_state：データ分割の際の乱数シードを指定します
n_splits：交差検証における分割の数を指定します。例えば、n_splits=5は5分割交差検証を意味します。
shuffle：データを分割する前にシャッフルするかどうかを指定します。例えば、shuffle=Trueを設定すると、データがランダムにシャッフルされた後に分割されます。
.split(X) ：データセットを分割する際に、文字列や特定の特徴量を個別に分解するのではなく、データセット全体に対して行われる分割操作です。このメソッドは、指定された数のセグメントにデータセットを分割し、各セグメントに属する行のインデックス番号を返します。
実装
ホールドアウト法（Holdout Method）:
# ホールドアウト（Holdout Method）
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=28)K分割交差検証（K-Fold Cross-Validation）:
# K分割交差検証（K-Fold Cross-Validation）
from sklearn.model_selection import KFold
kf = KFold(n_splits=5, shuffle=True, random_state=28)
for train_index, test_index in kf.split(X):
X_train, X_test = X.iloc[train_index], X.iloc[test_index]
y_train, y_test = y.iloc[train_index], y.iloc[test_index]
グループK分割交差検証（Group K-Fold）：
# グループK分割交差検証（Group K-Fold）
from sklearn.model_selection import GroupKFold
gkf = GroupKFold(n_splits=5)
for train_index, test_index in gkf.split(X, y, groups=groups):
X_train, X_test = X.iloc[train_index], X.iloc[test_index]
y_train, y_test = y.iloc[train_index], y.iloc[test_index]層化K分割交差検証（Stratified K-Fold Cross-Validation）:
# 層化K分割交差検証（Stratified K-Fold Cross-Validation）
from sklearn.model_selection import StratifiedKFold
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=28)
for train_index, test_index in skf.split(X, y):
X_train, X_test = X.iloc[train_index], X.iloc[test_index]
y_train, y_test = y.iloc[train_index], y.iloc[test_index]リーブ・ワン・アウト法（Leave-One-Out Cross-Validation）:
# リーブ・ワン・アウト法（Leave-One-Out Cross-Validation）
from sklearn.model_selection import LeaveOneOut
loo = LeaveOneOut()
for train_index, test_index in loo.split(X):
X_train, X_test = X.iloc[train_index], X.iloc[test_index]
y_train, y_test = y.iloc[train_index], y.iloc[test_index]終わりに
Part.1、Part.2を通して、バリデーション手法の説明とコードによる実装を行いました。
今回は一般的な手法に焦点を当てましたが、時系列データのような特殊なケースでは、異なるアプローチが求められます。適切なバリデーション手法を選択することは、データの特性に深く根ざし、モデルのロバスト性と予測精度に大きな影響を与えます。
この記事が理論と実践の橋渡しとなり、みなさんのデータサイエンスの学びに有益な情報を提供し、理解を深める手助けになっていれば幸いです！
参照
