Python初心者が最も簡単に試せるAI開発への入口

例1のコードを実行した場合に何が起こるのか、初心者向けに詳しく説明します。

この例では、Iris（アイリス）データセットを使って、AIに「花の種類を予測させる」という基本的な機械学習モデルを作成しています。では、各ステップで何が行われているのかを一つずつ見ていきましょう。

1. ライブラリのインポート

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

この部分では、Pythonで使うための**ライブラリ（ツールや機能）**を準備しています。以下のものがインポートされています。

• load_iris: 有名なアイリスデータセットを読み込むためのものです。このデータには、花びらやがく片の長さ・幅が含まれ、どの品種の花かがラベルされています。
• train_test_split: データを「訓練用データ」と「テスト用データ」に分割するための関数です。
• RandomForestClassifier: AIの「モデル」を作るためのアルゴリズムです。これが学習して予測を行います。
• accuracy_score: モデルの正確さを測るための関数です。

2. データセットを読み込む

iris = load_iris()

この行で、Irisデータセットを読み込みます。このデータセットには、以下のようなデータが含まれています。

• 特徴量: 花びらやがく片の長さや幅などの数字データ（これはAIが学習するための情報です）。
• ターゲット（ラベル）: それぞれの花がどの種類に属するか（アイリスの品種：Setosa、Versicolor、Virginica）という情報。

3. データを訓練用とテスト用に分ける

X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)

ここで、データを訓練用（学習用）とテスト用に分けます。

• X_train: 訓練用の特徴量データ（花びらの長さ・幅など）。
• y_train: 訓練用のラベル（品種の種類）。
• X_test: テスト用の特徴量データ。
• y_test: テスト用のラベル。

「訓練」と「テスト」を分けるのは、AIが学習したデータとまったく新しいデータを使って、どのくらい正確に予測できるかをチェックするためです。ここでは、データの20%をテスト用に取っています。

4. ランダムフォレストモデルを作成

model = RandomForestClassifier()

この行で、AIに学習させるためのランダムフォレストモデルを作成します。

ランダムフォレストとは、多くの「決定木」（Yes/Noを繰り返すツリー状のモデル）を組み合わせて予測を行うアルゴリズムです。決定木だけだと予測が不安定なことがあるので、複数の木を組み合わせることで予測精度を高めています。

5. モデルを訓練する（学習させる）

model.fit(X_train, y_train)

ここで、AIに**訓練用データ（X_train）**を使って、花の品種を学習させます。AIは、特徴量（花びらの長さや幅など）と、それに対応する品種（ラベル）を照らし合わせて「この特徴を持つ花はどの品種か？」という予測をするようになります。

6. テストデータで予測を行う

y_pred = model.predict(X_test)

AIが学習したら、今度は**テスト用データ（X_test）**を使って予測を行います。AIは、テスト用データに含まれる新しい花の特徴量を見て、どの品種かを予測します。

• y_pred: AIが予測した品種のラベルです（ここで予測結果が得られます）。

7. モデルの精度を確認する

accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

最後に、AIがどれだけ正確に予測できたかを確認します。

• accuracy_score: 実際の品種のラベル（y_test）と、AIが予測したラベル（y_pred）を比較して、正解率（Accuracy）を計算します。例えば、80%の精度で予測できた場合、「Accuracy: 0.8」という結果が表示されます。

実行結果

このコードを実行すると、ターミナルに以下のように表示されることが考えられます。

Accuracy: 0.9

この結果は、AIが90%の確率で正しい品種を予測できたという意味です。学習したデータを基に、AIは新しい花の品種を高い精度で判別できるようになりました。

まとめ

この例では、Irisデータセットを使って、AIが花の特徴から品種を予測するプロセスを体験しました。全体の流れは以下の通りです。

1. データセットを読み込み
2. 訓練用とテスト用にデータを分ける
3. ランダムフォレストモデルを作成
4. モデルを訓練（学習）
5. テストデータで予測
6. 正確さ（精度）を確認

これが、AIの最も基本的な「学習と予測」の流れです。

このプログラムを実行した後は人間が何か入力する必要はありません。すべての処理が自動的に行われます。詳しく説明すると、以下のような流れになります。

プログラムの流れ

1. データの読み込み
   アイリスのデータセットをPythonが自動で読み込みます。
2. データの分割
   訓練用とテスト用にデータを分割しますが、これも自動です。
3. モデルの作成
   ランダムフォレストモデルを作成しますが、ここでも特に人間が何か操作する必要はありません。
4. モデルの訓練（学習）
   訓練データを使って、AIが自動で学習します。人間が操作するのはここでもなく、データをもとにAIが一生懸命に予測するための法則を学んでいます。
5. テストデータでの予測
   学習した結果をもとに、テストデータを使ってAIが自動的に予測します。
6. 結果の表示
   AIの予測がどのくらい正確だったか（正解率）を最後に画面に表示します。

プログラムの実行中に人間の入力が必要ない理由

このプログラムは、すべてのデータを事前に用意し、それに基づいてAIが自動で学習・予測を行うため、人間がリアルタイムで何か入力する必要がない仕組みになっています。

例えば、ゲームのようにユーザーからの操作を待つようなものではなく、AIがデータを見て自分で予測を行うので、あとは実行結果（正確さ）が表示されるだけです。

ですので、プログラムを実行すると一連の流れがすべて自動で完了し、人間が入力したり操作したりする場面はない、ということになります。

これをアレンジするにはどうすれば良いの？