サンドボックスは、ウィキブックスでの編集や執筆をするための練習・実験などに利用するページとして設けられました。各項目の編集ページにあるプレビュー機能を利用すれば同様の練習ができますが、サンドボックスも積極的にご活用下さい。なお、より大規模に練習をしたい方はTestWikipediaに書きこむとよいでしょう。

プレビューしただけのものは掲載されませんし、履歴に残らないのに対して、サンドボックスに書き込んだものは特別:Recentchangesに掲載され、履歴にも残ります。これによってプレビューでは練習できないことも可能になります。

砂浜に書いた文字が波や満ち潮とともに消されるように、サンドボックスに書き込まれた内容は、時とともに消去されます(なお、過去のバージョンとして履歴からたどることはできます)。

なお、法令やエチケットなどに反するような内容、プライバシー侵害となるような書き込みはお控え下さい。悪質な場合は版指定削除となる恐れがあります。

ショートカット
WB:SB

Scikit-learn 編集

Scikit-learn（サイキット・ラーン）は、Pythonの機械学習ライブラリであり、機械学習モデルの構築、評価、予測などをサポートします。

概要編集

Scikit-learnは、機械学習のさまざまなタスクにおける便利なツールとして広く利用されています。

1. 1. コード例: アヤメの品種分類 ###

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# Irisデータセットをロード
iris = load_iris()
X, y = iris.data, iris.target

# データをトレーニングセットとテストセットに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# k-最近傍法（k-NN）分類器を作成
knn = KNeighborsClassifier(n_neighbors=3)

# モデルをトレーニング
knn.fit(X_train, y_train)

# テストセットを使って予測
y_pred = knn.predict(X_test)

# 正解率を計算して表示
accuracy = accuracy_score(y_test, y_pred)
print(f"正解率: {accuracy}")

このコードでは、Scikit-learnを使ってアヤメの品種を分類するk-最近傍法（k-NN）分類器を作成しています。データはアヤメの品種データセット（Iris dataset）を使用し、トレーニングセットとテストセットに分割しています。k-NNアルゴリズムは、新しいデータを予測する際に、k個の最近傍のデータ点の多数決によってそのデータを分類します。

このコードの最後で、モデルの予測精度（正解率）を計算し、表示しています。

Wikibooks:サンドボックス

Scikit-learn 編集

概要 編集

概要編集