0:00:00.420,0:00:03.970
それではGaussian Naive Bayesの

0:00:03.970,0:00:05.575
ドキュメントを読んでみましょう。

0:00:05.575,0:00:08.100
"sklearn.naive_bayes.GaussianNB"です。

0:00:08.100,0:00:11.450
これは探していたアルゴリズムの名前で、

0:00:11.450,0:00:15.650
検索した結果sklearnのドキュメントを見つけました。

0:00:15.650,0:00:18.410
最初に見るのは、そしてsklearnのドキュメントの素晴らしいところですが

0:00:18.410,0:00:22.960
たくさんの使用例が記載されています。

0:00:22.960,0:00:25.640
私は実際にコードを書くときは

0:00:25.640,0:00:28.550
いつでもまず最初にサンプルコードを探し出して

0:00:28.550,0:00:31.030
それから自分のpythonインタプリタで実行し

0:00:31.030,0:00:32.549
それらがちゃんと動作するか確認するようにしています。

0:00:32.549,0:00:36.110
そしてたいていの場合それはうまく動きます。

0:00:36.110,0:00:37.570
さて、ここにとてもシンプルなサンプルがありますね。

0:00:37.570,0:00:39.620
ここに何行かありますが、これはとても重要です。

0:00:39.620,0:00:41.110
ですから少し着目して

0:00:41.110,0:00:45.640
実際にサンプルコードを書いて動くところをお見せしましょう。

0:00:45.640,0:00:48.250
コードの意味が理解できると思います。

0:00:48.250,0:00:49.180
最初にライブラリをimportします。

0:00:49.180,0:00:52.960
ですからここ、この１行はとても重要です。

0:00:53.010,0:00:56.650
この上のコードは、学習用のデータを生成しているだけです。

0:00:56.650,0:00:58.470
なのでそれほど重要ではありません。

0:00:58.470,0:01:01.790
本題はこのimport文から始まります。

0:01:01.790,0:01:04.540
pythonプログラミングの経験があれば、import文は知っていますね。

0:01:04.540,0:01:08.480
importは外部のライブラリを使うための構文です。

0:01:08.480,0:01:12.360
既に存在するプログラムを再作成する無駄を省き、

0:01:12.360,0:01:15.470
誰かが作ってくれたコードを使い回すことができます。

0:01:15.470,0:01:19.380
ここではsklearn.naive_bayesからGaussianNBライブラリを使います、と宣言しています。

0:01:19.380,0:01:20.350
いいですね。

0:01:20.350,0:01:22.710
次に私たちがやろうとしていることは

0:01:22.710,0:01:24.410
分類器の作成です。

0:01:24.410,0:01:27.040
分類器はGaussianNBです。

0:01:27.040,0:01:28.790
import文が失敗していると

0:01:28.790,0:01:29.840
この行を何かの拍子に書き忘れたりすると

0:01:29.840,0:01:32.480
この行でエラーが出ます。

0:01:32.480,0:01:35.620
もし実行時にエラーが出て、このファンクションを

0:01:35.620,0:01:37.830
認識できませんと言ったメッセージなら

0:01:37.830,0:01:40.350
import文にミスがあります。

0:01:40.350,0:01:42.510
OK、分類器を作成しました。

0:01:42.510,0:01:45.290
これで準備は万端です。

0:01:45.290,0:01:48.180
次に私たちがしなくてはいけないのは分類器の"fit"です。

0:01:48.180,0:01:51.710
私たちは訓練するという言葉の代わりに"fit"を使います。

0:01:51.710,0:01:54.790
つまりここで実際に学習用データを与え

0:01:54.790,0:01:57.070
パターンを学習させているのです。

0:01:57.070,0:02:00.030
さっき作成した分類器の

0:02:00.030,0:02:03.870
fit() ファンクションを実行します。渡す引数は二つです。

0:02:03.870,0:02:10.000
引数の X は feature 、そして Y は label です。

0:02:10.000,0:02:13.100
"supervised classification"においては共通なのですが

0:02:13.100,0:02:15.240
fit() ファンクションを実行し

0:02:15.240,0:02:16.760
引数にfeatureと

0:02:16.760,0:02:18.480
labelを渡します。

0:02:18.490,0:02:22.060
そして最後に、学習させたばかりの分類器に

0:02:22.060,0:02:24.300
推定をさせています。

0:02:24.300,0:02:26.050
新しいデータを与えてみます。

0:02:26.050,0:02:29.320
与えるデータは [-0.8, -1] です。

0:02:29.320,0:02:32.880
皆さんはこのデータの label はなんだと思いますか。

0:02:32.880,0:02:35.370
つまりどの分類に所属すると思いますか。

0:02:35.370,0:02:38.390
分類器は「１」の分類だと推定しました。

0:02:38.390,0:02:42.480
では「２」の分類だと推定されるデータを思いつきますか。

0:02:42.480,0:02:47.220
もちろん分類器に推定をさせる前には

0:02:47.220,0:02:49.060
分類器を fit させておく必要があります。

0:02:49.060,0:02:50.700
データに対してfitを行なっている時が、

0:02:50.700,0:02:52.130
実際にパターンを学習している部分だからです。

0:02:52.130,0:02:55.140
そしてここは学習したパターンを使って推定を行なっている部分です。

0:02:55.140,0:02:56.530
というわけで、

0:02:56.530,0:02:59.380
このコードの動作について知っておくべきことを説明しました。

0:02:59.380,0:03:02.200
これが機械学習の最初のサンプルコードです。