【Python実践】機械学習による回帰モデルの予測精度を定量的に評価する [MAE,MSE,RMSE,R2]（コピペで使えるサンプルコード付き）

from sklearn.metrics import mean_absolute_error

# MAEの計算（y_true：実測データ, y_pred：予測データ）
mae = mean_absolute_error(y_true, y_pred)
print(f"Mean Absolute Error (MAE): {mae:.2f}")

from sklearn.metrics import mean_squared_error

# MSEの計算（y_true：実測データ, y_pred：予測データ）
mse = mean_squared_error(y_true, y_pred)
print(f"Mean Squared Error (MSE): {mse:.2f}")

import numpy as np
from sklearn.metrics import mean_squared_error

# RMSEの計算（y_true：実測データ, y_pred：予測データ）
rmse = np.sqrt(mean_squared_error(y_true, y_pred))
print(f"Root Mean Squared Error (RMSE): {rmse:.2f}")

import numpy as np

# MAPEの計算（y_true：実測データ, y_pred：予測データ）
mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100
print(f"Mean Absolute Percentage Error (MAPE): {mape:.2f}%")

from sklearn.metrics import r2_score

# R²の計算（y_true：実測データ, y_pred：予測データ）
r2 = r2_score(y_true, y_pred)
print(f"Coefficient of Determination (R²): {r2:.2f}")

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression

# データの作成
X, y = make_regression(n_samples=100, n_features=1, noise=10)

# モデルの学習
model = LinearRegression()
model.fit(X, y)

# 予測
y_pred = model.predict(X)

# 残差の計算
residuals = y - y_pred


# ★★★ 以下にグラフ描画のソースコードを追加して実行してください ★★★

# 残差プロットの描画
plt.scatter(X, residuals)
plt.axhline(y=0, color='r', linestyle='--')  # y=0の水平線
plt.xlabel('実際の値 (Actual Values)')
plt.ylabel('残差 (Residuals)')
plt.title('残差プロット (Residual Plot)')
plt.show()

# 実測値と予測値のプロット
plt.scatter(y, y_pred)
plt.plot([min(y), max(y)], [min(y), max(y)], color='red', linestyle='--')  # 理想的な予測線
plt.xlabel('実際の値 (Actual Values)')
plt.ylabel('予測値 (Predicted Values)')
plt.title('実測値 vs 予測値プロット (Actual vs Predicted Plot)')
plt.show()

# 誤差分布のヒストグラム
plt.hist(residuals, bins=20, edgecolor='black')
plt.xlabel('残差 (Residuals)')
plt.ylabel('頻度 (Frequency)')
plt.title('誤差分布ヒストグラム (Error Distribution Histogram)')
plt.show()

import scipy.stats as stats

# QQプロット
stats.probplot(residuals, dist="norm", plot=plt)
plt.title('QQプロット (QQ Plot)')
plt.show()

from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# データの分割
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

train_errors, val_errors = [], []

# トレーニングの反復
for m in range(1, len(X_train) + 1):
    model.fit(X_train[:m], y_train[:m])
    y_train_predict = model.predict(X_train[:m])
    y_val_predict = model.predict(X_val)
    
    train_errors.append(mean_squared_error(y_train[:m], y_train_predict))
    val_errors.append(mean_squared_error(y_val, y_val_predict))

# 学習曲線の描画
plt.plot(np.sqrt(train_errors), label="訓練データ (Training Data)")
plt.plot(np.sqrt(val_errors), label="検証データ (Validation Data)")
plt.xlabel('訓練サンプル数 (Number of Training Samples)')
plt.ylabel('RMSE')
plt.title('学習曲線 (Learning Curve)')
plt.legend()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor
import matplotlib
# 日本語フォントの設定
matplotlib.rcParams['font.family'] = 'Meiryo'  # メイリオを指定

# サンプルデータの作成（回帰）
X, y = make_regression(n_samples=1000, n_features=20, noise=0.1, random_state=42)

# 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=0.3, random_state=42)

# ランダムフォレストモデルの訓練
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 予測
y_pred = model.predict(X_test)

# 評価指標の計算
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

# 評価指標の出力
print(f"平均絶対誤差 (MAE): {mae:.2f}")
print(f"平均二乗誤差 (MSE): {mse:.2f}")
print(f"二乗平均平方根誤差 (RMSE): {rmse:.2f}")
print(f"決定係数 (R²): {r2:.2f}")

# 実測値と予測値のプロット
plt.figure(figsize=(8, 6))
plt.scatter(y_test, y_pred, alpha=0.5, color='blue', label='予測値')
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], color='red', linestyle='--', label='完全予測ライン')
plt.xlabel('実測値')
plt.ylabel('予測値')
plt.title('実測値と予測値の比較')
plt.legend()
plt.grid()
plt.show()

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import make_regression

# サンプルデータの作成（回帰）
X, y = make_regression(n_samples=1000, n_features=20, noise=0.1, random_state=42)

# データを訓練用とテスト用に分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# ランダムフォレスト回帰モデルの訓練
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 予測
y_pred = model.predict(X_test)

# 回帰モデルの評価指標を表示
evaluate_regression_metrics(y_test, y_pred)

# 回帰モデルのグラフを表示または保存
# 画面に表示する場合
plot_regression_graphs(y_test, y_pred)

# ファイルに保存する場合
# plot_regression_graphs(y_test, y_pred, filename='regression_analysis_results.png')

import numpy as np
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score

# 評価指標を表示する関数
def evaluate_regression_metrics(y_true, y_pred):
    """
    回帰モデルの評価指標（MAE、MSE、RMSE、R²）を計算して表示する関数。
    """
    # 各指標の計算
    mae = mean_absolute_error(y_true, y_pred)
    mse = mean_squared_error(y_true, y_pred)
    rmse = np.sqrt(mse)
    r2 = r2_score(y_true, y_pred)

    # 各指標を表示
    print(f"平均絶対誤差 (MAE): {mae:.2f}")
    print(f"平均二乗誤差 (MSE): {mse:.2f}")
    print(f"二乗平均平方根誤差 (RMSE): {rmse:.2f}")
    print(f"決定係数 (R²): {r2:.2f}")

import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as stats
from sklearn.metrics import r2_score
import matplotlib
# 日本語フォントの設定
matplotlib.rcParams['font.family'] = 'Meiryo'  # メイリオを指定

# グラフを表示または保存する関数
def plot_regression_graphs(y_true, y_pred, filename=None, nrows=1, ncols=4):
    """
    実測値と予測値、残差、誤差分布、QQプロットを表示する関数。
    - `filename` が指定されていれば、グラフをそのファイル名で保存。
    - `nrows` と `ncols` はグラフの行数と列数。
    """
    # サブプロットの設定
    fig, axs = plt.subplots(nrows, ncols, figsize=(5 * ncols, 4 * nrows))

    # axsが2次元配列か確認
    axs = axs.flatten()  # 1次元配列にフラット化

    # 実測値 vs 予測値プロット
    axs[0].scatter(y_true, y_pred, alpha=0.6)
    axs[0].plot([min(y_true), max(y_true)], [min(y_true), max(y_true)], color='red', linestyle='--')  # 理想的な予測線
    axs[0].set_xlabel('実際の値 (Actual Values)')
    axs[0].set_ylabel('予測値 (Predicted Values)')
    axs[0].set_title('実測値 vs 予測値プロット (Actual vs Predicted)')

    # 回帰直線の計算と表示
    slope, intercept = np.polyfit(y_true, y_pred, 1)
    r2 = r2_score(y_true, y_pred)
    axs[0].plot(y_true, slope * y_true + intercept, color='blue', linestyle='-', label=f'回帰直線 (Slope: {slope:.2f}, R²: {r2:.2f})')
    axs[0].legend()

    # 残差プロット
    residuals = y_true - y_pred
    axs[1].scatter(y_true, residuals, alpha=0.6)
    axs[1].axhline(y=0, color='r', linestyle='--')  # y=0の水平線
    axs[1].set_xlabel('実際の値 (Actual Values)')
    axs[1].set_ylabel('残差 (Residuals)')
    axs[1].set_title('残差プロット (Residual Plot)')

    # 誤差分布ヒストグラム
    axs[2].hist(residuals, bins=20, edgecolor='black')
    axs[2].set_xlabel('残差 (Residuals)')
    axs[2].set_ylabel('頻度 (Frequency)')
    axs[2].set_title('誤差分布ヒストグラム (Error Distribution Histogram)')

    # QQプロット
    stats.probplot(residuals, dist="norm", plot=axs[3])
    axs[3].set_title('QQプロット (QQ Plot)')

    plt.tight_layout()

    # ファイル名が指定されていれば、グラフを保存
    if filename:
        plt.savefig(filename)
        print(f"グラフを '{filename}' として保存しました。")
    else:
        plt.show()