LightGBMでサイン波の予測

〇 LightGBMとは？

LightGBM（ライト・ジー・ビー・エム） は、Microsoft（マイクロソフト）が開発した機械学習ライブラリです。

 名前の由来は "Light Gradient Boosting Machine" の略です。

 とても高速で高精度な予測ができるため、実務やコンペティションで広く使われています。

 LightGBMの特徴：

 特徴       説明

高速学習              大量のデータを短時間で学習できます

高精度    少ない調整でも良い結果が出やすい

柔軟性    分類（例：スパムかどうか）にも回帰（例：家の価格）にも使えます

 〇 今回のテーマ：「回帰」とは？

**回帰（regression）**とは、「数値を予測すること」です。

 分類（classification）との違い：

 問題       内容       モデル例

分類       このメールはスパムか？（はい or いいえ） XGBoost, LightGBMなど

回帰       家の値段はいくらか？（数値）       LightGBM, 線形回帰など

 今回は、サインカーブ（sin波）という「波の形をした数値データ」を予測する回帰問題に挑戦します。

 〇 使うもの一覧

ライブラリ           用途

numpy   数値データの操作

matplotlib            グラフの描画

sklearn   データの分割・評価など

lightgbm 機械学習モデルの構築と予測

 〇 ライブラリのインストール（最初に一度だけ）

ターミナルやコマンドプロンプトで以下を実行します：

  pip install lightgbm scikit-learn matplotlib numpy

〇 ステップ1：サイン波のデータを作る

import numpy as np

import matplotlib.pyplot as plt

 # 0〜2πまでの範囲で1000個のxを生成（1列ベクトル）

X = np.linspace(0, 2 * np.pi, 1000).reshape(-1, 1)

 # y = sin(x) に少しだけノイズ（揺らぎ）を加える

y = np.sin(X).ravel() + np.random.normal(0, 0.1, X.shape[0])

補足：

np.linspace は「指定範囲を等間隔で分ける関数」です。

 .reshape(-1, 1) はデータの形を「1000行×1列」に整えます。

 np.random.normal(0, 0.1, ...) は正規分布に従うノイズを追加しています。

 〇 ステップ2：学習用とテスト用にデータを分ける

 from sklearn.model_selection import train_test_split

 # 学習用：80％、テスト用：20％ に分割

X_train, X_test, y_train, y_test = train_test_split(

    X, y, test_size=0.2, random_state=42

)

補足：

テスト用データは、モデルの「予測精度を確認するため」に使います。

 〇 ステップ3：LightGBMでモデルを学習させる

import lightgbm as lgb

 # LightGBM用データ形式に変換

train_data = lgb.Dataset(X_train, label=y_train)

 # モデルの設定（回帰）

params = {

    'objective': 'regression',    # 回帰問題であることを指定

    'metric': 'l2',               # 損失関数（平均二乗誤差）

    'learning_rate': 0.1,         # 学習のスピード

    'num_leaves': 31,             # 木の枝の数（複雑さ）

    'verbose': -1                 # ログ出力を抑える

}

 # 学習（100回繰り返し）

model = lgb.train(params, train_data, num_boost_round=100)

〇 ステップ4：予測してグラフで確認

# テスト用データで予測

y_pred = model.predict(X_test)

 # 結果をグラフに描画

plt.figure(figsize=(10, 5))

 # 正解データ（青）

plt.scatter(X_test, y_test, label='正解（sin値）', color='blue', alpha=0.5)

 # 予測データ（赤）

plt.scatter(X_test, y_pred, label='予測（LightGBM）', color='red', alpha=0.5)

 plt.title("LightGBMによるsin関数の予測")

plt.xlabel("xの値")

plt.ylabel("sin(x)")

plt.legend()

plt.show()

〇 ステップ5：予測の誤差を数値で確認する

from sklearn.metrics import mean_squared_error

 # 平均二乗誤差（MSE）を計算

mse = mean_squared_error(y_test, y_pred)

print(f"平均二乗誤差（MSE）：{mse:.4f}")

補足：

MSEが小さいほど、予測と正解のズレが少ない（＝よく当たっている）ということになります。

 〇 全体コードまとめ

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error

import lightgbm as lgb

 

# データ作成

X = np.linspace(0, 2 * np.pi, 1000).reshape(-1, 1)

y = np.sin(X).ravel() + np.random.normal(0, 0.1, X.shape[0])

 

# データ分割

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

 

# LightGBM用のデータ形式に変換

train_data = lgb.Dataset(X_train, label=y_train)

 

# モデル設定

params = {

    'objective': 'regression',

    'metric': 'l2',

    'learning_rate': 0.1,

    'num_leaves': 31,

    'verbose': -1

}

 

# モデル学習

model = lgb.train(params, train_data, num_boost_round=100)

 # 予測

y_pred = model.predict(X_test)

 # 評価

mse = mean_squared_error(y_test, y_pred)

print(f"平均二乗誤差（MSE）：{mse:.4f}")

 # グラフ描画

plt.figure(figsize=(10, 5))

plt.scatter(X_test, y_test, label='正解（sin値）', color='blue', alpha=0.5)

plt.scatter(X_test, y_pred, label='予測（LightGBM）', color='red', alpha=0.5)

plt.title("LightGBMによるsin関数の予測")

plt.xlabel("xの値")

plt.ylabel("sin(x)")

plt.legend()

plt.show()

〇 最後に

今回は「LightGBMとは？」からはじまり、回帰問題でサイン波の予測を行いました。

 次のステップとして：

 他の波（cos、三角関数以外の関数）も予測してみる

 学習回数（num_boost_round）やパラメータを調整してみる

 実際の時系列データ（気温、株価など）に応用してみる

 といった発展も可能です。