機械学習演習

第1章：機械学習の基礎概念

​

本章では、機械学習の基本的な概念を学び、心不全患者データを使って最初の準備を行います。プログラミングの知識がなくても理解できるよう、具体例を交えて解説します。

​

学習目標

• 機械学習とは何かを説明できる
• 教師あり学習と教師なし学習の違いを理解する
• 訓練データとテストデータの役割を理解する
• データを機械学習用に準備できる

はじめに

1.1 機械学習とは何か

従来のプログラミング

従来のプログラミングでは、人間がルールを明示的に記述します。

​

​

​

​

​

​

​

​

​

​

この方法の問題点は、すべてのルールを人間が考えなければならないことです。

複雑な判断では、ルールの数が膨大になり、例外も多くなります。

1.1.1 従来のプログラミングとの違い

入力：患者データ

　　↓

ルール：「駆出率が30%以下 かつ 血清クレアチニンが2.0以上なら高リスク」

　　↓

出力：リスク判定

機械学習

機械学習では、データからコンピュータがルールを学習します。

​

​

​

​

​

​

​

​

つまり、機械学習とは「データから規則性やパターンを自動的に学習し、新しいデータに対して予測や判断を行う技術」です。

入力：患者データ + 正解ラベル（実際に死亡したかどうか）

　　↓

学習：データのパターンを自動的に発見

　　↓

出力：新しい患者の死亡リスクを予測

1.1.1 従来のプログラミングとの違い

​

本演習では、心不全患者の臨床データから死亡リスクを予測するモデルを構築します。

1.1.2 医療における機械学習の応用例

1.2 機械学習の種類

正解ラベル（教師データ）がある学習方法です。

入力データと正解の組み合わせから学習し、新しい入力に対する正解を予測します。

例：心不全死亡予測

• 入力：年齢、駆出率、血清クレアチニンなどの臨床データ
• 正解：実際に死亡したか（0 or 1）
• 目標：新しい患者のデータから死亡を予測

​

教師あり学習はさらに2種類に分けられます：

1.2.1 教師あり学習（Supervised Learning）

今回のデータは「死亡（1）か生存（0）か」を予測するので、二値分類問題です。

正解ラベルがない学習方法です。

データの構造やパターンを発見することが目的です。

​

例

• クラスタリング：患者を似た特徴でグループ分け
• 次元削減：多数の検査値を少数の指標に要約
• 異常検知：通常と異なるパターンの検出

1.2.2 教師なし学習（Unsupervised Learning）

1.2.3 その他の学習方法

​

機械学習プロジェクトは、一般的に以下の流れで進みます。

​

1. 問題定義　→ 2. データ収集　→ 3. データ前処理　

→ 4. 特徴量エンジニアリング

→ 5. モデル選択・学習　→ 6. モデル評価　

→ 7. ハイパーパラメータ調整

→ 8. 最終評価・解釈　→ 9. 実装・運用

​

この教材では、3〜8のステップを中心に学びます。

1.3 機械学習のワークフロー

1.4 訓練データとテストデータ

​

機械学習で最も重要な概念の一つが「汎化性能」です。

汎化性能とは、学習に使っていない新しいデータに対して正しく予測できる能力のことです。

もし全てのデータで学習し、同じデータで評価すると、モデルはそのデータを「丸暗記」してしまいます。これを過学習（Overfitting） といいます。

​

例：試験勉強

• 過学習：過去問の答えを丸暗記 → 同じ問題は解けるが、新しい問題は解けない
• 適切な学習：過去問から解き方のパターンを学ぶ → 新しい問題も解ける

医療AIでは、「学習に使った患者」だけでなく「新しい患者」に対しても正しく予測できることが重要です。

1.4.1 なぜデータを分割するのか

全データ（299人）

　├── 訓練データ（約80%：239人）→ モデルの学習に使用

　└── テストデータ（約20%：60人）→ 最終的な性能評価に使用

重要なルール

• テストデータは最終評価まで絶対に使わない
• テストデータでモデルを調整してはいけない

1.4.2 データ分割の方法

1.4.3 検証データ（Validation Data）

実際には、ハイパーパラメータの調整のために「検証データ」も必要です。

​

全データ

　├── 訓練データ（60-70%）→ モデルの学習

　├── 検証データ（10-20%）→ ハイパーパラメータの調整

　└── テストデータ（20%）→ 最終評価

​

または、交差検証（Cross-Validation）を使う方法もあります。

特徴量（12個）

• 連続変数：age, creatinine_phosphokinase, ejection_fraction, platelets, serum_creatinine, serum_sodium, time
• 二値変数：anaemia, diabetes, high_blood_pressure, sex, smoking

目的変数（1個）

• DEATH_EVENT：0（生存）または 1（死亡）

1.5 特徴量と目的変数

1.5.1 用語の定義

1.5.2 今回のデータの構成

​

ここからは、実際にPythonコードを書いてデータを準備します。

1.6 実装：データの準備

1.6.1 ライブラリのインポート

1.6.1 ライブラリのインポート

解説

scikit-learn（sklearn）とは？

Pythonで最も広く使われている機械学習ライブラリです。

様々なアルゴリズムが統一されたインターフェースで提供

されており、初学者でも使いやすい設計になっています。

乱数シードとは？

機械学習では、データの分割やモデルの初期化に乱数を使います。np.random.seed(42) を設定すると、毎回同じ乱数が生成され、結果が再現可能になります。

「42」という数字に特別な意味はありませんが、慣例的によく使われます。

1.6.2 データの読み込みと確認

1.6.2 データの読み込みと確認

臨床的ポイント：クラス不均衡

死亡が32%、生存が68%という分布は「クラス不均衡」と呼ばれます。

このような不均衡があると、モデルは多数派（生存）ばかり予測しがちになります。

1.6.3 特徴量と目的変数の分離

1.6.3 特徴量と目的変数の分離

解説

drop()メソッド

df.drop('列名', axis=1) は、指定した列を

削除したDataFrameを返します。

• axis=0：行を削除
• axis=1：列を削除

元のDataFrame df は変更されません。

なぜ分離するのか？

scikit-learnの機械学習モデルは、特徴量Xと目的変数yを別々に受け取る設計になっています。

​

model.fit(X, y)  # Xから yを予測するモデルを学習

1.6.4 訓練データとテストデータの分割

1.6.4 訓練データとテストデータの分割

1.6.4 訓練データとテストデータの分割

​

層化抽出（stratify）とは？

stratify=y を指定すると、元のデータと同じクラス比率で分割されます。

これを指定しないと、偶然テストデータに死亡患者が多く（または少なく）なる可能性があります。

医療データでは、クラス比率を維持することが重要です。

解説

train_test_split()の引数

1.6.4 訓練データとテストデータの分割

​

戻り値の順番

train_test_split() は4つの値を返します：

1. X_train：訓練用の特徴量
2. X_test：テスト用の特徴量
3. y_train：訓練用の目的変数
4. y_test：テスト用の目的変数

解説

1.6.5 データの形状を視覚的に確認

1.6.5 データの形状を視覚的に確認

​

モデルを構築する前に、特徴量の分布を確認しておきましょう。

1.7 特徴量の概要確認

1.7.1 連続変数の分布

1.7.2 二値変数の分布

1.7.3 特徴量間の相関

1.7.3 特徴量間の相関

1.7.3 特徴量間の相関

臨床的ポイント

相関が高い特徴量のペアがあると、モデルが

不安定になることがあります（多重共線性）。

ただし、このデータセットでは特徴量間の相関

は比較的低いため、大きな問題にはなりません。

1.8 機械学習の基本的な流れ

次章以降で詳しく学びますが、機械学習モデルの基本的なコードの流れを確認しておきましょう。

解説

scikit-learnでは、どのアルゴリズムでも同じ

インターフェースで使えます：

​

• model.fit(X, y)：モデルを学習
• model.predict(X)：予測を実行
• model.predict_proba(X)：予測確率を出力

​

この統一されたインターフェースが、

scikit-learnの大きな利点です。

1.9 医療AIにおける注意点

1.9.1 データの質と代表性

• このデータは特定の病院・期間の患者集団から収集されたものです
• 他の病院や患者集団に適用できるとは限りません（外的妥当性）
• 人種、地域、医療体制の違いが結果に影響する可能性があります

1.9.2 臨床的な妥当性

• 統計的に有意でも、臨床的に意味があるとは限りません
• 予測精度だけでなく、解釈可能性も重要です
• 医師の判断を補助するツールであり、置き換えるものではありません

1.9 医療AIにおける注意点

1.9.3 倫理的配慮

• 患者データのプライバシー保護
• アルゴリズムによる差別（特定の性別や人種に不利など）の回避
• 予測結果が患者に与える心理的影響

1.9.4 規制とガイドライン

• 日本：医薬品医療機器等法（薬機法）、PMDA
• 米国：FDA
• 欧州：MDR（医療機器規制）

1.10 まとめ

準備したデータ

X_train, y_train：訓練データ（239人）

X_test, y_test：テストデータ（60人）

演習問題

問題1：概念の確認

以下の文が正しいか誤りか答え、誤りの場合は正しく修正してください。

1. 機械学習では、すべてのルールを人間がプログラムする必要がある
2. 教師あり学習には正解ラベルが必要である
3. テストデータはモデルの学習に使用する
4. 層化抽出を行うと、訓練データとテストデータでクラス比率が異なる

​

​

問題2：データ分割

以下の条件でデータを分割するコードを書いてください。

• テストデータの割合：30%
• 乱数シード：123
• 層化抽出：あり

演習問題

問題3：データの確認

分割後の訓練データについて、以下を出力するコードを書いてください。

1. 訓練データの年齢の平均と標準偏差
2. 訓練データの男性（sex=1）の割合
3. 訓練データの糖尿病患者（diabetes=1）の数

​

​

問題4：考察

このデータセットを使った死亡予測モデルを臨床で使用する場合、

どのような点に注意すべきか、3つ以上挙げてください。

解答例

問題1の解答

1. 誤り → 機械学習では、データからコンピュータが自動的にパターンを学習する
2. 正しい
3. 誤り → テストデータは最終的な性能評価に使用する（学習には使わない）
4. 誤り → 層化抽出を行うと、訓練データとテストデータでクラス比率が同じになる

解答例

問題2の解答

解答例

問題3の解答

解答例

問題4の解答

1. データの代表性: このデータは特定の病院の患者集団であり、他の医療機関や異なる患者集団には適用できない可能性がある
2. 予測の限界: モデルの予測は確率的なものであり、100%正確ではない。個々の患者の予後を決定づけるものではない
3. 解釈可能性: 医師が予測結果を理解し、患者に説明できる必要がある。ブラックボックスなモデルは臨床での信頼を得にくい
4. 定期的な更新: 医療環境や治療法の変化に伴い、モデルの性能が低下する可能性がある。定期的な再評価と更新が必要
5. 倫理的配慮: 予測結果が患者の治療機会を不当に制限したり、差別につながったりしないよう注意が必要
6. 補助ツールとしての位置づけ: 最終的な判断は医師が行い、AIは意思決定を補助するツールとして使用する

次章の予告

第2章「データの前処理」では、以下の内容を学びます：

​

• 特徴量のスケーリング（標準化・正規化）
• なぜスケーリングが必要か
• 不均衡データへの対処法
• 特徴量選択の基礎

​

準備したX_train, X_test, y_train, y_testを使って、前処理を進めていきます。