#55 Section11 分類（８）まとめ
>100 Views
February 06, 26
スライド概要
さて、初めてのPycaretはいかがでしたか？
出力された評価結果、分析結果を詳しく説明しましたが、最低限、下記のコードを書けば、機械学習の『二項分類』で分析することができます。
再利用の「load_model」関数を入れても全部で16行！
コードを書くのが億劫だと思っている方でも、どんどん出力が出ますので、さまざまな種類の機械学習を体験していきましょう。
すべてのビジネスパーソンが意思決定プロセスにデータを活用する思考を身につけるため、まずは、データサイエンスの分析を体験していきましょう。SECIモデルの最初の段階、共同化（Socialization）からはじめていきます。 下記のブログで、ここにアップしたスライド、動画を随時、公開中です。 【ブログ】https://tutorial4datascience.blogspot.com/ 【Youtubeチャンネル】https://www.youtube.com/@DataScience_for_everyone 【Kindle】そして、このブログをまとめて書籍にしました！ https://amzn.to/4ryVppn https://amzn.to/4pGgFb1
関連スライド
データサイエンス関連資格
猫のタロー
49.6K
データサイエンス関連の資格_後編
猫のタロー
4.1K
各ページのテキスト
4th STEP 機械学習 Section 11 分類（8） まとめ Setup Compare Models Analyze Model データサイエンス チュートリアル Prediction Save Model 1
4th STEP 機械学習 Section11 分類（８）まとめ まとめ 最低限、下記のコードを書けば、機械学習の『二項分類』で分析することができます。ただし、結果の評価や比較などは、統 計的な理解が必要になります。 ① !pip install pycaret[full] import pycaret pycaret.__version__ ② # loading sample dataset from pycaret dataset module from pycaret.datasets import get_data data = get_data('diabetes') ③ # import pycaret classification and init setup from pycaret.classification import * s = setup(data, target = 'Class variable', session_id = 123) ⑥ # predict on test set holdout_pred = predict_model(best) ⑦ # show predictions df holdout_pred.head() ⑧ # copy data and drop Class variable new_data = data.copy() new_data.drop('Class variable', axis=1, inplace=True) new_data.head() # save pipeline save_model(best, 'my_first_pipeline') ④ best = compare_models() # compare baseline models ⑤ evaluate_model(best) ※ 一つ一つ別個に 評価指標のグラフを 描くこともできます。 ⑨ # load pipeline loaded_best_pipeline = load_model('my_first_pipeline') loaded_best_pipeline plot_model(best, plot = 'confusion_matrix') plot_model(best, plot = 'auc') plot_model(best, plot = 'feature') データサイエンス チュートリアル 2