目次
ライブラリ関連（線形回帰）
線形回帰のプログラムで使用したライブラリのまとめ
1. numpy（NumPy）
import numpy as np
役割：数値計算ライブラリ
- NumPy は 数値計算や線形代数 を効率的に行うためのライブラリ。
- 行列演算（ベクトル化）、数値配列（ndarray）を扱う機能 を提供。
- 線形回帰 では、行列計算（逆行列や転置行列）を扱う際に使われる。
2. pandas（Pandas）
import pandas as pd
役割：データ操作ライブラリ
- Pandas は データフレーム（表形式データ）の処理 を行うためのライブラリ。
- CSV や Excel などのファイルを読み込み、データの前処理（欠損値処理、列の選択、フィルタリング）が可能。
- 線形回帰のデータ分析 において、データの前処理や特徴量選択に活用。
3. seaborn（Seaborn）
import seaborn as sns
役割：データ可視化ライブラリ（統計的なグラフ作成）
- ペアプロット（pairplot）やヒストグラム（histplot）を用いたデータの可視化 に便利。
- 線形回帰では、説明変数（特徴量）と目的変数の関係を視覚的に確認 するのに使用。
sns.pairplot()で 変数間の相関を散布図で表示 できる。
4. matplotlib.pyplot（Matplotlib）
import matplotlib.pyplot as plt
役割：グラフ描画ライブラリ
- データの可視化（折れ線グラフ、ヒストグラム、散布図） に使用。
plt.show()を使って Seaborn で描画したプロットを表示可能。- 線形回帰では、回帰直線の可視化や学習データの分布確認に活用。
5. statsmodels.api（Statsmodels）
import statsmodels.api as sm
役割：統計モデル・回帰分析のライブラリ
- 線形回帰の詳細な統計情報を提供するライブラリ（p値、F統計量、信頼区間など）。
sm.OLS(y, X).fit()を使うと、回帰分析の詳細な結果を出力可能。- Scikit-learn (
sklearn) と異なり、統計的な指標を分析しやすいのがメリット。- p値（p-value） → 変数の有意性を評価
- AIC/BIC → モデル選択の評価指標
- R²値 → 決定係数（モデルの説明力）
6. sklearn.model_selection.train_test_split
from sklearn.model_selection import train_test_split
役割：データの訓練・テスト分割
- データを学習用（訓練データ）と検証用（テストデータ）に分割 する関数。
train_test_split(X, y, test_size=0.4, random_state=1)で 40% をテストデータに設定。- 過学習を防ぎ、モデルの汎化性能を評価するために必須。
7. sklearn.linear_model.LinearRegression
from sklearn.linear_model import LinearRegression
役割：線形回帰モデルの作成
LinearRegression()を使って 線形回帰モデルを作成・学習 する。model.fit(X_train, y_train)で学習、model.predict(X_test)で予測。- Scikit-learn の利点：
- 実装が簡単（fit() メソッドだけで学習）
- 回帰係数（重み）を自動計算
model.score()で モデルの精度評価（決定係数 R² の計算） ができる。
8. sklearn.metrics.mean_squared_error, r2_score
from sklearn.metrics import mean_squared_error, r2_score
役割：回帰モデルの評価
- 回帰モデルの性能を評価する指標 を提供。
mean_squared_error()： 平均二乗誤差（MSE） を算出し、モデルの誤差を測る。r2_score()： 決定係数 R²（モデルの説明力） を計算し、モデルの適合度を評価。- 小さいMSE、大きいR²値を目指すことで、より良い回帰モデルを作成可能。
まとめ
| ライブラリ | 目的 |
|---|---|
numpy | 数値計算（行列演算、線形代数） |
pandas | データ処理（データフレーム、欠損値処理） |
seaborn | データ可視化（統計的なグラフ作成） |
matplotlib.pyplot | グラフ描画（折れ線グラフ、ヒストグラム） |
statsmodels | 線形回帰の詳細な統計分析（p値、AIC/BICなど） |
sklearn.model_selection.train_test_split | 訓練データ・テストデータの分割 |
sklearn.linear_model.LinearRegression | 線形回帰モデルの作成・学習 |
sklearn.metrics.mean_squared_error, r2_score | モデルの評価（MSE、R²値） |
結論
✅ データ分析・機械学習に必要なライブラリを網羅
✅ Scikit-learn でモデル作成・評価、Statsmodels で統計解析を実施
✅ データの可視化（Seaborn & Matplotlib）、前処理（Pandas）、数値計算（NumPy）もカバー
線形回帰の実装に必要なライブラリの役割になります。