WEBVTT

00:00:00.420 --> 00:00:03.970
それではGaussian Naive Bayesの

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

00:00:05.575 --> 00:00:08.100
"sklearn.naive_bayes.GaussianNB"です。

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

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

00:00:15.650 --> 00:00:18.410
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

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

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

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

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

00:00:31.030 --> 00:00:32.549
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。

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

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

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

00:00:39.620 --> 00:00:41.110
ですから少し着目して

00:00:41.110 --> 00:00:45.640
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。

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

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

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

00:00:53.010 --> 00:00:56.650
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。

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

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

00:01:01.790 --> 00:01:04.540
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。

00:01:04.540 --> 00:01:08.480
importは外部のライブラリを使うための構文です。

00:01:08.480 --> 00:01:12.360
既に存在するプログラムを再作成する無駄を省き、

00:01:12.360 --> 00:01:15.470
誰かが作ってくれたコードを使い回すことができます。

00:01:15.470 --> 00:01:19.380
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。

00:01:19.380 --> 00:01:20.350
いいですね。

00:01:20.350 --> 00:01:22.710
次に私たちがやろうとしていることは

00:01:22.710 --> 00:01:24.410
分類器の作成です。

00:01:24.410 --> 00:01:27.040
分類器はGaussianNBです。

00:01:27.040 --> 00:01:28.790
import文が失敗していると

00:01:28.790 --> 00:01:29.840
この行を何かの拍子に書き忘れたりすると

00:01:29.840 --> 00:01:32.480
この行でエラーが出ます。

00:01:32.480 --> 00:01:35.620
もし実行時にエラーが出て、このファンクションを

00:01:35.620 --> 00:01:37.830
認識できませんと言ったメッセージなら

00:01:37.830 --> 00:01:40.350
import文にミスがあります。

00:01:40.350 --> 00:01:42.510
OK、分類器を作成しました。

00:01:42.510 --> 00:01:45.290
これで準備は万端です。

00:01:45.290 --> 00:01:48.180
次に私たちがしなくてはいけないのは分類器の"fit"です。

00:01:48.180 --> 00:01:51.710
私たちは訓練するという言葉の代わりに"fit"を使います。

00:01:51.710 --> 00:01:54.790
つまりここで実際に学習用データを与え

00:01:54.790 --> 00:01:57.070
パターンを学習させているのです。

00:01:57.070 --> 00:02:00.030
さっき作成した分類器の

00:02:00.030 --> 00:02:03.870
fit() ファンクションを実行します。渡す引数は二つです。

00:02:03.870 --> 00:02:10.000
引数の X は feature 、そして Y は label です。

00:02:10.000 --> 00:02:13.100
"supervised classification"においては共通なのですが

00:02:13.100 --> 00:02:15.240
fit() ファンクションを実行し

00:02:15.240 --> 00:02:16.760
引数にfeatureと

00:02:16.760 --> 00:02:18.480
labelを渡します。

00:02:18.490 --> 00:02:22.060
そして最後に、学習させたばかりの分類器に

00:02:22.060 --> 00:02:24.300
推定をさせています。

00:02:24.300 --> 00:02:26.050
新しいデータを与えてみます。

00:02:26.050 --> 00:02:29.320
与えるデータは [-0.8, -1] です。

00:02:29.320 --> 00:02:32.880
皆さんはこのデータの label はなんだと思いますか。

00:02:32.880 --> 00:02:35.370
つまりどの分類に所属すると思いますか。

00:02:35.370 --> 00:02:38.390
分類器は「１」の分類だと推定しました。

00:02:38.390 --> 00:02:42.480
では「２」の分類だと推定されるデータを思いつきますか。

00:02:42.480 --> 00:02:47.220
もちろん分類器に推定をさせる前には

00:02:47.220 --> 00:02:49.060
分類器を fit させておく必要があります。

00:02:49.060 --> 00:02:50.700
データに対してfitを行なっている時が、

00:02:50.700 --> 00:02:52.130
実際にパターンを学習している部分だからです。

00:02:52.130 --> 00:02:55.140
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。

00:02:55.140 --> 00:02:56.530
というわけで、

00:02:56.530 --> 00:02:59.380
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。

00:02:59.380 --> 00:03:02.200
これが機械学習の最初のサンプルコードです。