scikit-learn について
scikit-learn ML Pipelines は、scikit-learn を使った再現可能な機械学習ワークフロー構築向けのスキルです。前処理パイプライン、交差検証、ハイパーパラメーター探索、MLflow による記録、モデル保存を扱います。
主な機能
- 01Pipeline と ColumnTransformer の組み合わせ
- 02乱数シードによる再現性の確保
- 03交差検証とハイパーパラメーター探索
- 04分類・回帰モデルの評価
- 05joblib によるパイプライン全体の保存
- 06MLflow による実験の記録
活用シーン
- 01前処理を含む学習パイプラインの構築
- 02小規模データセットでのモデル評価
- 03モデルのハイパーパラメーター探索
- 04後の推論に向けたモデル保存
インストール
コマンドをコピーしてターミナルで実行します。
$
npx skills add https:/ / github.com/ brojonat/ llmsrules --skill scikit-learnインストール後、Claude Code で/scikit-learnを入力して読み込まれたか確認します。
詳細
scikit-learn ML パイプライン
scikit-learn のパイプライン、ColumnTransformer、交差検証、MLflow による実験追跡を活用し、再現可能な ML ワークフローを構築します。
原則
- 前処理をモデルと一緒に扱えるよう、
Pipeline/ColumnTransformerを優先して使用します - 実行を決定論的にします。すべての箇所で
random_stateを設定し、numpy のシードも設定します - 訓練/検証/テストの分離を維持します。小規模なデータセットには交差検証を使用します
- パイプライン全体を
joblibで保存し、推論時に読み込みます
プロジェクト構成
.
data/
raw/ processed/
src/
features.py # build features, column lists
model.py # build pipeline, search spaces
train.py # fit, evaluate, persist
predict.py # load artifact, predict
plots/
roc_curve.png rmse_hist.png
artifacts/
model.joblib metrics.json metadata.json
前処理パイプライン
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
numeric_features = ["age", "income"]
categorical_features = ["country", "segment"]
numeric_pipe = Pipeline([
("impute", SimpleImputer(strategy="median")),
("scale", StandardScaler()),
])
categorical_pipe = Pipeline([
("impute", SimpleImputer(strategy="most_frequent")),
("onehot", OneHotEncoder(handle_unknown="ignore", sparse_output=False)),
])
preprocess = ColumnTransformer([
("num", numeric_pipe, numeric_features),
("cat", categorical_pipe, categorical_features),
])
交差検証を使った訓練
import numpy as np
from sklearn.model_selection import train_test_split, StratifiedKFold, cross_val_score
from sklearn.linear_model import LogisticRegression
RANDOM_STATE = 42
np.random.seed(RANDOM_STATE)
X = clean_df[numeric_features + categorical_features]
y = clean_df["target"]
model = LogisticRegression(max_iter=1000, random_state=RANDOM_STATE)
clf = Pipeline([("prep", preprocess), ("model", model)])
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, stratify=y, random_state=RANDOM_STATE
)
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=RANDOM_STATE)
cv_scores = cross_val_score(clf, X_train, y_train, cv=cv, scoring="roc_auc")
clf.fit(X_train, y_train)
ハイパーパラメーターのチューニング
from sklearn.model_selection import GridSearchCV, RandomizedSearchCV
from scipy.stats import loguniform
# Grid search
grid = GridSearchCV(
estimator=clf,
param_grid={"model__C": [0.1, 0.3, 1.0, 3.0, 10.0], "model__penalty": ["l2"]},
scoring="roc_auc", cv=cv, n_jobs=-1,
)
grid.fit(X_train, y_train)
best_clf = grid.best_estimator_
# Random search (wider sweeps)
rand = RandomizedSearchCV(
estimator=clf,
param_distributions={"model__C": loguniform(1e-3, 1e1)},
n_iter=25, scoring="roc_auc", cv=cv, random_state=RANDOM_STATE, n_jobs=-1,
)
rand.fit(X_train, y_train)
best_clf = rand.best_estimator_
評価
分類
from sklearn.metrics import classification_report, roc_auc_score, roc_curve
import matplotlib.pyplot as plt
from pathlib import Path
import json
y_pred = best_clf.predict(X_test)
y_prob = best_clf.predict_proba(X_test)[:, 1]
metrics = {"roc_auc": float(roc_auc_score(y_test, y_prob))}
print(classification_report(y_test, y_pred))
fpr, tpr, _ = roc_curve(y_test, y_prob)
plt.figure()
plt.plot(fpr, tpr, label=f"ROC AUC={metrics['roc_auc']:.3f}")
plt.plot([0, 1], [0, 1], "k--")
plt.xlabel("FPR"); plt.ylabel("TPR"); plt.legend()
Path("plots").mkdir(exist_ok=True)
plt.savefig("plots/roc_curve.png", dpi=150, bbox_inches="tight")
Path("artifacts").mkdir(exist_ok=True)
Path("artifacts/metrics.json").write_text(json.dumps(metrics, indent=2))
回帰
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
y_hat = best_clf.predict(X_test)
rmse = float(np.sqrt(mean_squared_error(y_test, y_hat)))
mae = float(mean_absolute_error(y_test, y_hat))
r2 = float(r2_score(y_test, y_hat))
永続化
import joblib
from pathlib import Path
joblib.dump(best_clf, Path("artifacts/model.joblib"))
# Later, for inference:
loaded = joblib.load("artifacts/model.joblib")
preds = loaded.predict(X_new)
MLflow による追跡
import mlflow
import mlflow.sklearn
mlflow.set_tracking_uri(os.getenv("MLFLOW_TRACKING_URI", "file:./mlruns"))
mlflow.set_experiment(os.getenv("MLFLOW_EXPERIMENT", "default"))
with mlflow.start_run(run_name=os.getenv("RUN_NAME", "sklearn-logreg")) as run:
best_clf.fit(X_train, y_train)
y_pred = best_clf.predict(X_test)
y_prob = best_clf.predict_proba(X_test)[:, 1]
metrics = {"roc_auc": float(roc_auc_score(y_test, y_prob))}
model_params = best_clf.named_steps["model"].get_params()
mlflow.log_params({
"estimator": best_clf.named_steps["model"].__class__.__name__,
"C": model_params.get("C"),
"penalty": model_params.get("penalty"),
"random_state": model_params.get("random_state"),
})
mlflow.log_metrics(metrics)
mlflow.sklearn.log_model(best_clf, artifact_path="model")
run_id = run.info.run_id
# Load from a specific run
loaded = mlflow.sklearn.load_model(f"runs:/{run_id}/model")
ヒント
- 重い前処理をキャッシュします:
Pipeline(memory="./.cache") - カスタム指標には
make_scorerを使用し、交差検証とホールドアウトの両方の指標を記録します - 不均衡データには
class_weight="balanced"またはリサンプリングを使用します - 特徴量のリストを 1 か所(
src/features.py)にまとめ、ずれを防ぎます - DataFrame に対して
.pipe()を使い、テーブルを入力してテーブルを出力する関数として特徴量を実装します
コメント
Markdown 対応