データがないときに使う：scikit-learnによるダミーデータ生成入門

import matplotlib.pyplot as plt
from sklearn.datasets import make_classification

# データセットの生成
X, y = make_classification(
    n_samples=200,      # サンプル数
    n_features=2,       # 特徴量の数
    n_informative=2,    # 目的変数に影響する意味のある特徴量の数
    n_redundant=0,      # 意味のある特徴量の線形結合で作られる冗長な特徴量の数
    n_classes=2,        # クラスの数（今回は2値分類）
    n_clusters_per_class=1, # 1クラスあたりのクラスタ数
    random_state=42
)

# 可視化
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='bwr', edgecolors='k', alpha=0.7)
plt.title("make_classification")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()

import lightgbm as lgb
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report
from sklearn.datasets import make_classification


# データセットの生成
X, y = make_classification(
    n_samples=1000,      # サンプル数
    n_features=2,       # 特徴量の数
    n_informative=2,    # 目的変数に影響する意味のある特徴量の数
    n_redundant=0,      # 意味のある特徴量の線形結合で作られる冗長な特徴量の数
    n_classes=2,        # クラスの数（今回は2値分類）
    n_clusters_per_class=1, # 1クラスあたりのクラスタ数
    random_state=42
)


# ステップ1: 全体の25%（100サンプル分）をテストデータとして切り出す
X_train_val, X_test, y_train_val, y_test = train_test_split(
    X, y, test_size=0.10, random_state=42, stratify=y
)

# ステップ2: 残りの75%を訓練(800)と検証(100)に分割 (100/900)
X_train, X_val, y_train, y_val = train_test_split(
    X_train_val, y_train_val, test_size=100/900, random_state=42, stratify=y_train_val
)

print(f"Train size: {len(X_train)}, Val size: {len(X_val)}, Test size: {len(X_test)}")


# Dataset形式に変換
train_data = lgb.Dataset(X_train, label=y_train)
val_data = lgb.Dataset(X_val, label=y_val, reference=train_data)

# パラメータ設定（二値分類の例）
params = {
    'objective': 'binary',
    'metric': 'binary_logloss',
    'verbosity': -1,
    'boosting_type': 'gbdt',
    'random_state': 42,
    'learning_rate': 0.05,
    'num_leaves': 31
}

# 学習
model = lgb.train(
    params,
    train_data,
    valid_sets=[train_data, val_data],
    valid_names=['train', 'valid'],
    num_boost_round=1000,
    callbacks=[
        lgb.early_stopping(stopping_rounds=50), # 50回改善がなければ終了
        lgb.log_evaluation(period=10)           # 10回ごとにログ表示
    ]
)

# テストデータで予測
y_pred_prob = model.predict(X_test, num_iteration=model.best_iteration)
y_pred = np.where(y_pred_prob > 0.5, 1, 0) # 閾値0.5でクラス分け

# 結果の表示
print("\n--- Test Data Evaluation ---")
print(f"Accuracy: {accuracy_score(y_test, y_pred):.4f}")
print(classification_report(y_test, y_pred))

import matplotlib.pyplot as plt
from sklearn.datasets import make_regression

# データセットの生成
X, y = make_regression(
    n_samples=200,      # サンプル数
    n_features=1,       # 特徴量の数（今回は2次元プロットのため1）
    noise=15.0,         # ノイズの大きさ（ばらつき）
    random_state=42
)

# 可視化
plt.figure(figsize=(8, 6))
plt.scatter(X, y, color='blue', alpha=0.7)
plt.title("make_regression")
plt.xlabel("Feature 1")
plt.ylabel("Target")
plt.show()

import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs

# データセットの生成
X, y = make_blobs(
    n_samples=300,      # サンプル数
    n_features=2,       # 特徴量の数
    centers=3,          # クラスタ（塊）の数
    cluster_std=1.5,    # クラスタのばらつき
    random_state=42
)

# 可視化
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='viridis', edgecolors='k', alpha=0.7)
plt.title("make_blobs")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()

import matplotlib.pyplot as plt
from sklearn.datasets import make_gaussian_quantiles

# データセットの生成
X, y = make_gaussian_quantiles(
    n_samples=300,      # サンプル数
    n_features=2,       # 特徴量の数
    n_classes=3,        # クラスの数
    random_state=42
)

# 可視化
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='plasma', edgecolors='k', alpha=0.7)
plt.title("make_gaussian_quantiles")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()

import matplotlib.pyplot as plt
from sklearn.datasets import make_hastie_10_2

# データセットの生成（特徴量は常に10次元）
X, y = make_hastie_10_2(
    n_samples=1000,
    random_state=42
)

# 10次元なので、最初の2つの特徴量だけをプロットしてみる
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='coolwarm', edgecolors='k', alpha=0.5)
plt.title("make_hastie_10_2 (Feature 0 vs Feature 1)")
plt.xlabel("Feature 0")
plt.ylabel("Feature 1")
plt.show()

from sklearn.datasets import make_multilabel_classification
import pandas as pd

# データセットの生成
X, Y = make_multilabel_classification(
    n_samples=5,        # サンプル数（確認のため少なめに）
    n_features=3,       # 特徴量の数
    n_classes=4,        # ラベルの種類数
    random_state=42
)

# 結果の確認（特徴量 X）
print("--- 特徴量 (X) ---")
print(pd.DataFrame(X, columns=[f"Feature_{i}" for i in range(X.shape[1])]))

# 結果の確認（ラベル Y）
print("\n--- ラベル (Y) ---")
print(pd.DataFrame(Y, columns=[f"Class_{i}" for i in range(Y.shape[1])]))