アンサンブル学習のサンプルコード

2024年6月8日

以下は、Pythonのscikit-learnライブラリを使用して、ランダムフォレストと勾配ブースティングを組み合わせるアンサンブル学習のサンプルコードです。

python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.metrics import accuracy_score

# データセットを読み込み
iris = load_iris()
X = iris.data
y = iris.target

# データをトレーニングセットとテストセットに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# ランダムフォレストと勾配ブースティングのモデルを定義
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
gb_model = GradientBoostingClassifier(n_estimators=100, random_state=42)

# モデルをトレーニング
rf_model.fit(X_train, y_train)
gb_model.fit(X_train, y_train)

# それぞれのモデルで予測を行う
rf_pred = rf_model.predict(X_test)
gb_pred = gb_model.predict(X_test)

# 各モデルの精度を出力
print("Random Forest Accuracy:", accuracy_score(y_test, rf_pred))
print("Gradient Boosting Accuracy:", accuracy_score(y_test, gb_pred))

# アンサンブル学習: 両方のモデルの予測を平均化する
ensemble_pred = (rf_pred + gb_pred) / 2

# アンサンブル学習の精度を出力
print("Ensemble Accuracy:", accuracy_score(y_test, ensemble_pred))

このコードでは、Irisデータセットを使用して、ランダムフォレストと勾配ブースティングのモデルをトレーニングし、それらの予測を平均化することでアンサンブル学習を行っています。最後に、アンサンブル学習の精度を出力しています。