それではGaussian Naive Bayesの

ドキュメントを読んでみましょう。

"sklearn.naive_bayes.GaussianNB"です。

これは探していたアルゴリズムの名前で、

検索した結果sklearnのドキュメントを見つけました。

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

たくさんの使用例が記載されています。

私は実際にコードを書くときは

いつでもまず最初にサンプルコードを探し出して

それから自分のpythonインタプリタで実行し

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。

そしてたいていの場合それはうまく動きます。

さて、ここにとてもシンプルなサンプルがありますね。

ここに何行かありますが、これはとても重要です。

ですから少し着目して

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。

コードの意味が理解できると思います。

最初にライブラリをimportします。

ですからここ、この１行はとても重要です。

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。

なのでそれほど重要ではありません。

本題はこのimport文から始まります。

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。

importは外部のライブラリを使うための構文です。

既に存在するプログラムを再作成する無駄を省き、

誰かが作ってくれたコードを使い回すことができます。

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。

いいですね。

次に私たちがやろうとしていることは

分類器の作成です。

分類器はGaussianNBです。

import文が失敗していると

この行を何かの拍子に書き忘れたりすると

この行でエラーが出ます。

もし実行時にエラーが出て、このファンクションを

認識できませんと言ったメッセージなら

import文にミスがあります。

OK、分類器を作成しました。

これで準備は万端です。

次に私たちがしなくてはいけないのは分類器の"fit"です。

私たちは訓練するという言葉の代わりに"fit"を使います。

つまりここで実際に学習用データを与え

パターンを学習させているのです。

さっき作成した分類器の

fit() ファンクションを実行します。渡す引数は二つです。

引数の X は feature 、そして Y は label です。

"supervised classification"においては共通なのですが

fit() ファンクションを実行し

引数にfeatureと

labelを渡します。

そして最後に、学習させたばかりの分類器に

推定をさせています。

新しいデータを与えてみます。

与えるデータは [-0.8, -1] です。

皆さんはこのデータの label はなんだと思いますか。

つまりどの分類に所属すると思いますか。

分類器は「１」の分類だと推定しました。

では「２」の分類だと推定されるデータを思いつきますか。

もちろん分類器に推定をさせる前には

分類器を fit させておく必要があります。

データに対してfitを行なっている時が、

実際にパターンを学習している部分だからです。

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。

というわけで、

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。

これが機械学習の最初のサンプルコードです。