ロジスティクス回帰分析をやってみた

iris/README.md

@@ -0,0 +1,48 @@
+## 前提
+- CSZAP 4th 情報の問題
+
+## 目的
+- [Iris](https://archive.ics.uci.edu/dataset/53/iris)データをもとにロジスティック回帰分析をしてみる
+- 4つの変数をもとに学習させ、何か適当な値を入れた時にどの種類のアヤメなのか？を判定させてみる
+
+## 出力結果
+```terminaloutput
+(.venv) ➜  iris git:(iris-logstic-regression) ✗ python3 analytics.py
+データをダウンロード中...
+
+正解率 (Accuracy): 1.00
+
+--- 詳細な評価レポート ---
+                 precision    recall  f1-score   support
+
+    Iris-setosa       1.00      1.00      1.00        10
+Iris-versicolor       1.00      1.00      1.00         9
+ Iris-virginica       1.00      1.00      1.00        11
+
+       accuracy                           1.00        30
+      macro avg       1.00      1.00      1.00        30
+   weighted avg       1.00      1.00      1.00        30
+
+
+========================================
+🔮 任意のデータでアヤメの種類を予測します
+========================================
+/Users/hiroki.horiguchi/WorkSpace/leetcode/.venv/lib/python3.13/site-packages/sklearn/utils/validation.py:2827: UserWarning: X does not have valid feature names, but StandardScaler was fitted with feature names
+  warnings.warn(
+
+【花サンプルの予測結果 1】
+入力された数値: [5.1, 3.5, 1.4, 0.2]
+👉 AIの予測: 「Iris-setosa」です！
+📊 確率の内訳:
+  - Setosa     : 97.97%
+  - Versicolor : 2.03%
+  - Virginica  : 0.00%
+
+【花サンプルの予測結果 2】
+入力された数値: [6.5, 3.0, 5.2, 2.0]
+👉 AIの予測: 「Iris-virginica」です！
+📊 確率の内訳:
+  - Setosa     : 0.04%
+  - Versicolor : 15.20%
+  - Virginica  : 84.76%
+```

iris/analytics.py

@@ -0,0 +1,82 @@
+from ucimlrepo import fetch_ucirepo
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+from sklearn.linear_model import LogisticRegression
+from sklearn.metrics import accuracy_score, classification_report
+
+# 1. UCIからIrisデータセットを直接取得
+print("データをダウンロード中...")
+iris = fetch_ucirepo(id=53)
+
+# 2. 特徴量(X)とターゲット(y)を抽出（すでにPandasのDataFrame型になっています）
+X = iris.data.features
+y = iris.data.targets
+
+# ※ y は1列のデータフレームなので、機械学習モデルが扱いやすいように1次元配列に変換します
+y = y.values.ravel()
+
+# 3. データを学習用8割、テスト用2割に分割
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+
+# 4. データの標準化
+scaler = StandardScaler()
+X_train_scaled = scaler.fit_transform(X_train)
+X_test_scaled = scaler.transform(X_test)
+
+# 5. ロジスティック回帰モデルの作成と学習
+model = LogisticRegression(solver='lbfgs')
+model.fit(X_train_scaled, y_train)
+
+# 6. 予測の実行
+y_pred = model.predict(X_test_scaled)
+
+# 7. 結果の評価
+accuracy = accuracy_score(y_test, y_pred)
+print(f"\n正解率 (Accuracy): {accuracy:.2f}")
+print("\n--- 詳細な評価レポート ---")
+print(classification_report(y_test, y_pred))
+
+
+print("\n" + "="*40)
+print("🔮 任意のデータでアヤメの種類を予測します")
+print("="*40)
+
+# 1. 予測したいアヤメの数値を任意に入力（例として2つの花をセット）
+# データの並び順: [sepal_length, sepal_width, petal_length, petal_width]
+unknown_iris_data = [
+    [5.1, 3.5, 1.4, 0.2],  # おそらく Setosa っぽい小ぶりな花
+    [6.5, 3.0, 5.2, 2.0]   # おそらく Virginica っぽい大ぶりな花
+]
+
+# 2. 【超重要】入力データも、学習時と同じScalerで「標準化」する
+# これをやらないと、AIが数値を正しく解釈できません
+unknown_scaled = scaler.transform(unknown_iris_data)
+
+# 3. ズバリ「どの種類か」を予測させる
+predictions = model.predict(unknown_scaled)
+
+# 4. 「それぞれの種類である確率」を計算させる
+probabilities = model.predict_proba(unknown_scaled)
+
+# 5. 結果を分かりやすく表示する
+# ※ ucimlrepoから取得した本来の名前（Setosa等）のリスト
+class_names = ['Iris-setosa', 'Iris-versicolor', 'Iris-virginica']
+
+for i, (pred, prob) in enumerate(zip(predictions, probabilities)):
+    print(f"\n【花サンプルの予測結果 {i+1}】")
+    print(f"入力された数値: {unknown_iris_data[i]}")
+
+    # 予測された種類（predには 0, 1, 2 のいずれかが入っているか、文字列がそのまま入っています）
+    # ucimlrepoのターゲット形式に合わせて、名前を表示します
+    if isinstance(pred, int):
+        predicted_name = class_names[pred]
+    else:
+        predicted_name = pred  # すでに文字列の場合
+
+    print(f"👉 AIの予測: 「{predicted_name}」です！")
+
+    # 各確率の内訳を表示（各クラスの確率が小数で入っているので%に直す）
+    print("📊 確率の内訳:")
+    print(f"  - Setosa     : {prob[0]*100:.2f}%")
+    print(f"  - Versicolor : {prob[1]*100:.2f}%")
+    print(f"  - Virginica  : {prob[2]*100:.2f}%")