5.1.1 機械学習基礎ロードマップ：タスク、データ、モデル、スコア

機械学習は、すべてのルールを手書きせず、モデルにデータからパターンを学ばせるところから始まります。最初の習慣はアルゴリズム暗記ではなく、小さなプロジェクトループです。

まずマップを見る

このループを覚えます。

タスク定義→データ分割→モデル学習→予測→評価→次の判断

用語	最初の意味
feature	モデルが使う入力列
label / target	モデルが予測する答え
train set	学習に使うデータ
test set	汎化を確認するために取っておくデータ
baseline	比較用のシンプルな最初のモデル

最小 sklearn ループを動かす

ml_first_loop.py を作り、scikit-learn をインストールしてから実行します。

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)
predictions = model.predict(X_test)

print("task: classification")
print("test_accuracy:", round(model.score(X_test, y_test), 3))
print("prediction_count:", len(predictions))

出力：

task: classification
test_accuracy: 0.967
prediction_count: 30

これが最小の有用な機械学習ループです。先に分割し、学習データだけで学習し、テストデータで評価します。

残す証拠

このページを終えたら、この evidence card を残します。

ML 問題

教師あり、教師なし、評価、または特徴量エンジニアリングのタスク

ベースライン

まずは最も簡単な sklearn/モデリングループと固定の train/test 分割

出力

prediction、metric、chart、またはmodel decision note

失敗確認

データリーク、不明確なターゲット、弱いベースライン、または指標不一致

期待される成果

指標と1件の失敗観察を含む最小限のMLループ

この順番で学ぶ

順番	読む	練習すること
1	5.1.2 機械学習とは	タスク種別、特徴量、ラベル
2	5.1.3 Scikit-learn 入門	fit、predict、score
3	5.1.4 数学が機械学習へ入る流れ	ベクトル、確率、loss、最適化
4	5.1.5 機械学習の発展史	主なアルゴリズムが生まれた理由
5	5.1.6 sklearn と Matplotlib ワークショップ	実行、可視化、baseline の説明

合格ライン

タスク種別を言える、X と y を識別できる、train/test 分割の理由を説明できる、baseline スコアを証拠として残せるなら合格です。

確認の考え方と解説

1. X は特徴量行列です。行はサンプル、列はモデルが使える入力です。y はラベルまたは target で、モデルが予測する答えです。
2. train/test 分割が重要なのは、test set が新しいデータの代わりになるからです。学習中に test 情報が入ると、そのスコアは汎化の証拠ではなくなります。
3. 合格する baseline 記録には、タスク種別、分割設定、モデル、指標、そして失敗しうる理由を 1 文で残します。