import seaborn as sns # Titanicデータセットの読み込み titanic_data = sns.load_dataset(‘titanic’) # データの概要を確認 print(titanic_data.head()) このデータセットをつかって、再度分類のサンプルコード生成して、評価は、例の4つで
了解しました。以下は、Titanicデータセットを使用してランダムフォレストモデルをトレーニングし、精度、適合率、再現率、F1スコア、およびROC AUCスコアを評価するサンプルコードです。
python
import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score # データの読み込み titanic_data = sns.load_dataset('titanic') # 特徴量と目的変数の分割 X = titanic_data[['pclass', 'sex', 'age', 'fare', 'embarked']] # 使用する特徴量を選択 y = titanic_data['survived'] # 目的変数を選択 # カテゴリカル変数のダミー変数化 X = pd.get_dummies(X, columns=['sex', 'embarked'], drop_first=True) # 欠損値の補完 X['age'].fillna(X['age'].median(), inplace=True) X['fare'].fillna(X['fare'].median(), inplace=True) # データの分割 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モデルの作成とトレーニング rf_model = RandomForestClassifier(n_estimators=100, random_state=42) rf_model.fit(X_train, y_train) # テストセットでの予測 y_pred = rf_model.predict(X_test) # モデルの評価 accuracy = accuracy_score(y_test, y_pred) precision = precision_score(y_test, y_pred) recall = recall_score(y_test, y_pred) f1 = f1_score(y_test, y_pred) roc_auc = roc_auc_score(y_test, rf_model.predict_proba(X_test)[:, 1]) print("Accuracy:", accuracy) print("Precision:", precision) print("Recall:", recall) print("F1 Score:", f1) print("ROC AUC Score:", roc_auc)
このコードは、Titanicデータセットを使用してランダムフォレストモデルをトレーニングし、精度、適合率、再現率、F1スコア、およびROC AUCスコアを評価します。