ニューラルネットワークをPythonで実装する【初心者向け入門】

はじめに
ニューラルネットワークとは
実装の準備
シンプルな分類モデルを実装する
学習曲線の可視化
主要な活性化関数
まとめ

はじめに

「ニューラルネットワーク」という言葉を聞くと、難しそうに感じる方も多いと思います。でも実は、Pythonのライブラリを使えばシンプルなものなら数十行で実装できます。

僕がE資格の勉強でニューラルネットワークを初めて実装したとき、「意外と書けるじゃないか」と思いました。この記事では、ニューラルネットワークの仕組みから実装まで、できるだけわかりやすく解説します。

ニューラルネットワークとは

ニューラルネットワークは、人間の脳の神経回路（ニューロン）を模倣した機械学習モデルです。入力層・隠れ層・出力層という3つの層が基本構造です。

データは入力層から受け取られ、隠れ層で複雑な変換が行われ、出力層から予測結果が出ます。隠れ層を増やすと「ディープラーニング」になります。

実装の準備

まずは必要なライブラリをインストールします。

pip install tensorflow scikit-learn numpy matplotlib

シンプルな分類モデルを実装する

Irisデータセット（花の分類）を使って実装してみます。

データの準備

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, to_categorical
import numpy as np

# データ読み込み
iris = load_iris()
X, y = iris.data, iris.target

# スケーリング
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# one-hotエンコーディング
y_onehot = to_categorical(y, num_classes=3)

# 分割
X_train, X_test, y_train, y_test = train_test_split(
    X_scaled, y_onehot, test_size=0.2, random_state=42
)

モデルの構築

import tensorflow as tf

model = tf.keras.Sequential([
    # 入力層（4特徴量）
    tf.keras.layers.Dense(64, activation='relu', input_shape=(4,)),
    # 隠れ層
    tf.keras.layers.Dense(32, activation='relu'),
    # 出力層（3クラス分類）
    tf.keras.layers.Dense(3, activation='softmax')
])

model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

model.summary()

学習と評価

history = model.fit(
    X_train, y_train,
    epochs=100,
    batch_size=16,
    validation_split=0.2,
    verbose=1
)

# テストデータで評価
loss, accuracy = model.evaluate(X_test, y_test)
print(f"テスト精度: {accuracy:.3f}")

学習曲線の可視化

学習の推移を確認することで、過学習していないかチェックできます。

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 4))

# 精度の推移
plt.subplot(1, 2, 1)
plt.plot(history.history['accuracy'], label='訓練')
plt.plot(history.history['val_accuracy'], label='バリデーション')
plt.title('精度の推移')
plt.legend()

# ロスの推移
plt.subplot(1, 2, 2)
plt.plot(history.history['loss'], label='訓練')
plt.plot(history.history['val_loss'], label='バリデーション')
plt.title('ロスの推移')
plt.legend()

plt.tight_layout()
plt.show()