ランダムフォレストによる高性能AIモデルへの挑戦とデータ処理

前回の記事では、ロジスティック回帰というシンプルなモデルを使い、アヤメの品種分類で高い正解率を達成しました。
この「最初の成功体験」は、AI開発の大きな一歩です。

しかし、現実のAI開発では、この「完璧に見える結果」を鵜呑みにせず、より高い汎用性と信頼性を追求することが求められます。
高性能なAIモデルの実現は、単にモデルの訓練時間を長くすることではなく、「モデルの選択」と「データの準備」という2つの要素によって決まります。

この記事では、前回構築した開発環境をそのまま使用し、ロジスティック回帰を「超える」高性能モデルの開発に挑戦します。

• モデルのグレードアップ: 多くの実務で使われる強力なモデル、ランダムフォレストを導入し、モデル選択の重要性を体験します。
• データ処理の重要性: AIの性能を最大化するための必須テクニック、データの標準化（スケーリング）を行い、データ処理の重要性を実感します。

第1章：より強力なAIモデルの導入

前回作成した iris_ai.py ファイルには、データセットのロード、特徴量とターゲットの分割、そして訓練用・テスト用への分割といった、基本的な前処理が既に含まれています。

本章では、前回のコードを土台として活用しつつ、新しい高性能モデルの導入に備えます。

まずは、前回までのコードに、今回使う新しいモデル「ランダムフォレスト」とデータ処理用の機能を追加でインポートするところから始めましょう。

1.1. 「高性能の秘密」ランダムフォレストとは

前回記事で使用したロジスティック回帰がシンプルな直線でデータを分類しようとするのに対し、ランダムフォレストは、より複雑なデータに対応できる強力なモデルです。

ランダムフォレストは、以下の仕組みで高い性能を実現します。

1. 複数の決定木を作成: データを分割しながら分類を行う「決定木（Decision Tree）」というシンプルなモデルを、数百本以上作成します。
2. ランダムな学習: 各決定木は、データセットと特徴量の一部をランダムに選んで学習します。これにより、それぞれの決定木は異なる視点を持つようになります。
3. 多数決で最終決定: 最終的な予測を行う際、数百本の決定木の予測結果を集め、多数決で最も多い答えを採用します。

一本の決定木は間違った予測をすることがあっても、多数の専門家（決定木）の意見を統合することで、ランダムフォレストは非常に安定して高い精度を発揮する、実務でも多用されるモデルとなっています。

1.2. 新しいライブラリとモデルのインポート

ランダムフォレストの導入に備え、前回作成した iris_ai.py ファイルを開き、必要な機能を追加でインポートします。

今回は、ランダムフォレストモデルと、後に使用するデータ標準化のための機能が必要です。

新規ファイル iris_rf_scale.py を作成し、以下のコードを入力してください。

from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import StandardScaler

1.3. データ処理の必要性（StandardScalerの導入準備）

前回記事で作成したアヤメのデータセットは数値の範囲が（約1cm～7cm）と近く、データ処理の必要性は低かったですが、現実のデータではそうはいきません。

例えば、「年収（数百万）」と「年齢（数十）」のように、特徴量（AIへの入力情報）によって数値のスケール（大きさ）が大きく異なることは珍しくありません。
こういったデータのスケールに差がある場合は、次の理由によりスケールを揃える必要があります。

ランダムフォレストやロジスティック回帰をはじめとする多くのAIモデルは、数値の計算に基づいて学習を行います。

• 影響力の偏り: スケールの大きい特徴量（年収など）は、スケールの小さい特徴量（年齢など）に比べ、計算上でモデルの予測に与える影響力が不当に大きくなります。
• 学習の不安定化: スケールが不揃いなデータでは、モデルの学習プロセス（最適化）が不安定になり、計算時間が長くなったり、最悪の場合、性能が低下します。

この問題を解決し、どの特徴量も公平にモデルに影響を与えるようにするため、データの標準化（Standardization）という前処理が必要になるわけです。

第2章：データ前処理の実践

第1章で確認した通り、AIの性能を最大限に引き出すためには、モデルのグレードアップ（ランダムフォレスト）だけでなく、データ処理が不可欠です。

本章では、データのスケールを揃えるための必須テクニックである標準化を StandardScaler を使って実践します。

2.1. データの標準化（Standardization）

標準化とは、それぞれの特徴量（花びらの長さなど）のデータが持つ平均を 0 に、分散を 1 に変換する処理です。
これにより、単位やスケールの異なるデータも公平に扱えるようになります。

項 1.2. で作成した iris_rf_scale.py を、以下の通り更新してください。

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 全ての列を表示するための設定 (前回と同様)
pd.set_option('display.max_columns', None)
pd.set_option('display.width', 1000)

# 1. データセットのロード
iris = load_iris()
X = iris.data # 特徴量
y = iris.target # ターゲット

# 2. データを訓練用とテスト用 (80%:20%) に分割
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 3. StandardScalerの初期化と学習・変換
scaler = StandardScaler()

# 訓練データでスケーラーを学習（fit）し、変換（transform）を行う
X_train_scaled = scaler.fit_transform(X_train)

# テストデータは訓練データで学習したスケーラーを使って変換（transform）のみ行う
X_test_scaled = scaler.transform(X_test)

print("--- 標準化完了 ---")
print("標準化後のX_train_scaledの一部:\n", X_train_scaled[:5])
print("X_train_scaledの平均:", X_train_scaled.mean(axis=0))
print("X_train_scaledの標準偏差:", X_train_scaled.std(axis=0))

ここまでのプログラムを実行すると、以下のような結果が表示されます。

標準化後のX_train_scaledの一部:
 [[-1.47393679  1.20365799 -1.56253475 -1.31260282]
 [-0.13307079  2.99237573 -1.27600637 -1.04563275]
 [ 1.08589829  0.08570939  0.38585821  0.28921757]
 [-1.23014297  0.75647855 -1.2187007  -1.31260282]
 [-1.7177306   0.30929911 -1.39061772 -1.31260282]]
X_train_scaledの平均: [ 1.71344420e-15 -1.66579713e-15 -2.23894977e-16 -5.73615229e-17]
X_train_scaledの標準偏差: [1. 1. 1. 1.]

第3章：ランダムフォレストによるモデル訓練

データ処理後のモデル訓練は非常に簡単です。
前回と異なるのは、モデルのクラス名と、訓練に使用するデータが標準化されたものに変わる点だけです。

3.1. 高性能モデルの初期化と訓練

iris_rf_scale.py に、以下のコードを追加してください。
また、前半の動作は確認済なので、不要な print 処理をコメントアウトしておくと、結果の出力が見やすくなります。

## これより上のコードは省略...

# print("--- 標準化完了 ---")
# print("標準化後のX_train_scaledの一部:\n", X_train_scaled[:5])
# print("X_train_scaledの平均:", X_train_scaled.mean(axis=0))
# print("X_train_scaledの標準偏差:", X_train_scaled.std(axis=0))

# 4. モデルの選択と初期化（ランダムフォレストに変更）
model = RandomForestClassifier(random_state=42) 

# 5. 標準化されたデータを使ってモデルを学習させる！
print("\n--- ランダムフォレスト訓練開始 ---")
# 訓練には標準化後のデータ（X_train_scaled）を使用
model.fit(X_train_scaled, y_train)
print("モデル訓練完了！")

3.2. ランダムフォレストの予測と評価

前回同様、訓練に使っていないテストデータを使って予測を行い、正解率を計算します。
今回は、標準化されたデータを使うことが重要なポイントです。

iris_rf_scale.py に、以下のコードを追加してください。
また、ここまでの動作は確認済なので、不要な print 処理をコメントアウトしておくと、結果の出力が見やすくなります。

# 6. 標準化されたテストデータを使って予測を実行
y_pred_rf = model.predict(X_test_scaled)

# 7. 正解率を計算し、表示
# (予測値 == 正解値) の平均で正解率を計算します
accuracy_rf = (y_pred_rf == y_test).mean() * 100.0

print("\n--- 評価結果 ---")
print(f"ランダムフォレストの正解率: {accuracy_rf:.2f}%")

プログラムを実行すると、以下のような結果になります。

--- 評価結果 ---
ランダムフォレストの正解率: 100.00%

第4章：評価指標の多角化

4.1. 正解率（Accuracy）だけではAIとして不十分

前回と今回で、AIの性能を正解率（Accuracy）のみで評価してきました。
しかし、実際のAI開発では、この指標だけを頼りにすることは不十分であり、危険でもあります。

正解率とは「すべての予測の中で、正しかった割合」を示しますが、データに偏りがある場合、正解率は高くても、肝心な予測を外している可能性があります。

次のような例を考えてみましょう。

• データ構成: 1,000人のデータのうち、990人が健康、10人が病気（極端な偏りがある）。
• AIの予測: AIモデルが、すべての患者を「健康」と予測するという、極端な振る舞いをしたとします。
• 結果: このAIの正解率は \(990 / 1000 = 99\%\) です。
• 問題点: 正解率は 99% と極めて高いにもかかわらず、最も重要な病気の患者10人を全員見逃しており、実用上は全く役に立たないAIということになります。

このような、データの偏りによって正解率が誤解を招く問題を避けるには、AIの性能を多角的に評価するための、別の指標が併せて必要になります。

4.2. 適合率（Precision）と再現率（Recall）

AIの性能を深く理解するために、適合率（Precision）と再現率（Recall）という2つの主要な指標を導入します。

1. 適合率（Precision）
   • 定義: AIが「病気だ」と予測したもののうち、実際に病気だった割合。
   • 重要性: 誤診（無駄な治療）を減らしたい場合に重要。
2. 再現率（Recall）
   • 定義: 実際に病気だった人のうち、AIが「病気だ」と正しく見つけられた割合。
   • 重要性: 見落とし（致命的な見逃し）を減らしたい場合に重要。

4.3. 新たな評価指標のコードへの追加

scikit-learn ライブラリには、これらの指標をまとめて計算する便利な関数 classification_report が用意されています。

iris_rf_scale.py に、以下のコードを追加し、実行してください。

from sklearn.metrics import classification_report

# 8. より詳細な評価レポートの表示
print("\n--- 分類レポート（適合率、再現率など）---")
print(classification_report(y_test, y_pred_rf, 
      target_names=iris.target_names))

プログラムを実行すると、以下のような結果になります。

--- 分類レポート（適合率、再現率など）---
              precision    recall  f1-score   support

      setosa       1.00      1.00      1.00        10
  versicolor       1.00      1.00      1.00         9
   virginica       1.00      1.00      1.00        11

    accuracy                           1.00        30
   macro avg       1.00      1.00      1.00        30
weighted avg       1.00      1.00      1.00        30

まとめ

今回では、以下のステップを習得しました。

• 高性能モデルの導入
• データ標準化という必須処理
• 評価指標の多角化

これで、「とりあえず動かす」から「本格的に性能を追求する」段階へと進みました。

次回のAI開発シリーズでは、今回のモデルのハイパーパラメーター（詳細設定）を調整することで、さらに性能を引き出すテクニックを学ぶ予定です。