5.2.1 教師あり学習ロードマップ：ラベル付き例から学ぶ

教師あり学習は、ラベル付きの例があるとき、新しい例のラベルを予測するモデルをどう学ぶかを扱います。

まずモデル選択マップを見る

モデル系統	最初の用途
線形回帰	連続値を予測する
ロジスティック回帰	シンプルな確率モデルで分類する
決定木	読みやすいルールでデータを分ける
アンサンブルモデル	多くのモデルを組み合わせ、表データの強い baseline を作る
SVM	マージンの直感で安定した境界を学ぶ

回帰 baseline を1つ動かす

supervised_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_diabetes
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score
from sklearn.model_selection import train_test_split

X, y = load_diabetes(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

model = LinearRegression().fit(X_train, y_train)
predictions = model.predict(X_test)

print("task: regression")
print("r2:", round(r2_score(y_test, predictions), 3))
print("first_prediction:", round(predictions[0], 1))

出力：

task: regression
r2: 0.485
first_prediction: 137.9

スコアが完璧でなくても価値があります。baseline は、後のモデルや特徴量改善がどこを超えるべきかを教えてくれます。

残す証拠

このページを終えたら、この evidence card を残します。

タスク

target 定義のある regression または classification 問題

モデル

線形/ロジスティック/木/アンサンブル/SVM の構成と train/test 分割

指標

回帰誤差、accuracy/F1、閾値曲線、または confusion matrix

失敗確認

過学習、学習不足、特徴量スケーリング、閾値選択、またはクラス不均衡

期待される成果

モデル結果とエラーサンプル、または残差レビュー

この順番で学ぶ

順番	読む	比較すること
1	5.2.2 線形回帰	シンプルな数値予測
2	5.2.3 ロジスティック回帰	分類確率
3	5.2.4 決定木	ルール、非線形、過学習
4	5.2.5 アンサンブル学習	bagging、boosting、強い表データモデル
5	5.2.6 サポートベクターマシン	マージン、境界、古典的分類器の直感

合格ライン

ラベル付きタスクが回帰か分類かを判断でき、baseline を1つ動かし、モデルが失敗しそうな理由を1つ説明できれば合格です。

確認の考え方と解説

1. ラベルが連続値なら回帰から始めます。ラベルがクラスなら分類から始めます。
2. baseline は単純な線形/ロジスティックモデルでも、dummy ルールでもかまいません。複雑なモデルが超えるべき基準点を作ることが目的です。
3. よくある失敗理由は、弱い特徴量、target リーク、クラス不均衡、スケーリング不足、過学習、実目的と合わない指標です。