シニアデータサイエンティスト面接質問：ML・プロダクト・MLOps

import numpy as np
from sklearn.model_selection import learning_curve
from sklearn.tree import DecisionTreeRegressor
import matplotlib.pyplot as plt

# データの生成
X = np.random.rand(100, 1) * 10
y = 2 * X + 3 + np.random.randn(100, 1) * 2

# 高バイアスモデル (max_depth=1)
high_bias = DecisionTreeRegressor(max_depth=1)

# 高バリアンスモデル (max_depth=20)
high_variance = DecisionTreeRegressor(max_depth=20)

# 最適なモデル (max_depth=3)
optimal = DecisionTreeRegressor(max_depth=3)

# 学習曲線はバイアス-バリアンスのトレードオフを示す
train_sizes, train_scores, val_scores = learning_curve(
    optimal, X, y.ravel(), cv=5, train_sizes=np.linspace(0.1, 1.0, 10)
)

print(f"トレーニングスコア: {train_scores.mean():.2f}")
print(f"検証スコア: {val_scores.mean():.2f}")

from sklearn.linear_model import Lasso, Ridge, ElasticNet
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
import numpy as np

# 多数の特徴量を持つデータを生成
X, y = make_regression(n_samples=100, n_features=20, n_informative=10, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# L1正則化 (Lasso)
lasso = Lasso(alpha=1.0)
lasso.fit(X_train, y_train)
print(f"Lasso係数: {len(lasso.coef_) }のうち{np.sum(lasso.coef_ != 0)}が非ゼロ")

# L2正則化 (Ridge)
ridge = Ridge(alpha=1.0)
ridge.fit(X_train, y_train)
print(f"Ridge係数: {len(ridge.coef_)}のうち{np.sum(ridge.coef_ != 0)}が非ゼロ")

# Elastic Net (L1 + L2)
elastic = ElasticNet(alpha=1.0, l1_ratio=0.5)
elastic.fit(X_train, y_train)

print(f"\nLassoスコア: {lasso.score(X_test, y_test):.3f}")
print(f"Ridgeスコア: {ridge.score(X_test, y_test):.3f}")
print(f"Elastic Netスコア: {elastic.score(X_test, y_test):.3f}")

from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split, cross_val_score

# データのロード
data = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.3, random_state=42
)

# バギング - ランダムフォレスト
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)
rf_score = rf.score(X_test, y_test)

# ブースティング - 勾配ブースティング
gb = GradientBoostingClassifier(n_estimators=100, random_state=42)
gb.fit(X_train, y_train)
gb_score = gb.score(X_test, y_test)

print(f"ランダムフォレスト（バギング）の精度: {rf_score:.3f}")
print(f"勾配ブースティングの精度: {gb_score:.3f}")

# 交差検証
rf_cv = cross_val_score(rf, data.data, data.target, cv=5)
gb_cv = cross_val_score(gb, data.data, data.target, cv=5)

print(f"\nRF CVスコア: {rf_cv.mean():.3f} (+/- {rf_cv.std():.3f})")
print(f"GB CVスコア: {gb_cv.mean():.3f} (+/- {gb_cv.std():.3f})")

from sklearn.model_selection import cross_val_score, KFold, StratifiedKFold
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris

data = load_iris()
X, y = data.data, data.target

model = LogisticRegression(max_iter=200)

# 標準的なK分割
kfold = KFold(n_splits=5, shuffle=True, random_state=42)
scores = cross_val_score(model, X, y, cv=kfold)
print(f"K分割CVスコア: {scores}")
print(f"平均: {scores.mean():.3f} (+/- {scores.std():.3f})")

# 層化K分割（クラス分布を維持）
stratified_kfold = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
stratified_scores = cross_val_score(model, X, y, cv=stratified_kfold)
print(f"\n層化K分割スコア: {stratified_scores}")
print(f"平均: {stratified_scores.mean():.3f} (+/- {stratified_scores.std():.3f})")

# カスタム交差検証
from sklearn.model_selection import cross_validate

cv_results = cross_validate(
    model, X, y, cv=5,
    scoring=['accuracy', 'precision_macro', 'recall_macro'],
    return_train_score=True
)

print(f"\nテスト精度: {cv_results['test_accuracy'].mean():.3f}")
print(f"テスト適合率: {cv_results['test_precision_macro'].mean():.3f}")
print(f"テスト再現率: {cv_results['test_recall_macro'].mean():.3f}")

from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt

# 高次元データのロード
digits = load_digits()
X, y = digits.data, digits.target

print(f"元の形状: {X.shape}")

# PCA - 2次元に削減
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
print(f"PCA形状: {X_pca.shape}")
print(f"説明分散比: {pca.explained_variance_ratio_}")
print(f"説明された総分散: {pca.explained_variance_ratio_.sum():.3f}")

# t-SNE - 2次元に削減
tsne = TSNE(n_components=2, random_state=42)
X_tsne = tsne.fit_transform(X)
print(f"t-SNE形状: {X_tsne.shape}")

# 特徴量抽出のためのPCA（95％の分散を保持）
pca_95 = PCA(n_components=0.95)
X_reduced = pca_95.fit_transform(X)
print(f"\n95％の分散に必要なコンポーネント数: {pca_95.n_components_}")
print(f"削減された形状: {X_reduced.shape}")

from sklearn.metrics import roc_curve, roc_auc_score, auc
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_breast_cancer
import matplotlib.pyplot as plt

# データのロード
data = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.3, random_state=42
)

# モデルのトレーニング
model = LogisticRegression(max_iter=10000)
model.fit(X_train, y_train)

# 確率予測を取得
y_pred_proba = model.predict_proba(X_test)[:, 1]

# ROC曲線の計算
fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba)
roc_auc = auc(fpr, tpr)

print(f"AUC: {roc_auc:.3f}")

# 代替手段：直接AUCを計算
auc_score = roc_auc_score(y_test, y_pred_proba)
print(f"AUC (直接): {auc_score:.3f}")

# 最適な閾値を見つける（YoudenのJ統計量）
optimal_idx = np.argmax(tpr - fpr)
optimal_threshold = thresholds[optimal_idx]
print(f"最適な閾値: {optimal_threshold:.3f}")

from sklearn.preprocessing import StandardScaler, OneHotEncoder, PolynomialFeatures
import pandas as pd
import numpy as np

# サンプルデータ
df = pd.DataFrame({
    'age': [25, 30, 35, 40, 45],
    'salary': [50000, 60000, 75000, 80000, 90000],
    'department': ['IT', 'HR', 'IT', 'Finance', 'HR'],
    'date': pd.date_range('2023-01-01', periods=5)
})

# One-hotエンコーディング
df_encoded = pd.get_dummies(df, columns=['department'], prefix='dept')

# スケーリング
scaler = StandardScaler()
df_encoded[['age_scaled', 'salary_scaled']] = scaler.fit_transform(
    df_encoded[['age', 'salary']]
)

# ビニング
df_encoded['age_group'] = pd.cut(df['age'], bins=[0, 30, 40, 100], labels=['young', 'mid', 'senior'])

# 日付特徴量
df_encoded['year'] = df['date'].dt.year
df_encoded['month'] = df['date'].dt.month
df_encoded['day_of_week'] = df['date'].dt.dayofweek

# 多項式特徴量
poly = PolynomialFeatures(degree=2, include_bias=False)
poly_features = poly.fit_transform(df[['age', 'salary']])

# 交互作用特徴量
df_encoded['age_salary_interaction'] = df['age'] * df['salary']

print(df_encoded.head())

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, confusion_matrix
from imblearn.over_sampling import SMOTE
from imblearn.under_sampling import RandomUnderSampler

# 不均衡なデータセットを作成
X, y = make_classification(
    n_samples=1000, n_features=20, n_informative=15,
    n_classes=2, weights=[0.9, 0.1], random_state=42
)

print(f"クラス分布: {np.bincount(y)}")

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 1. 不均衡を処理しない場合
model_baseline = LogisticRegression()
model_baseline.fit(X_train, y_train)
y_pred_baseline = model_baseline.predict(X_test)
print("\nベースライン（処理なし）：")
print(classification_report(y_test, y_pred_baseline))

# 2. SMOTE（Synthetic Minority Over-sampling）
smote = SMOTE(random_state=42)
X_train_smote, y_train_smote = smote.fit_resample(X_train, y_train)
print(f"\nSMOTE後: {np.bincount(y_train_smote)}")

model_smote = LogisticRegression()
model_smote.fit(X_train_smote, y_train_smote)
y_pred_smote = model_smote.predict(X_test)
print("\nSMOTE使用：")
print(classification_report(y_test, y_pred_smote))

# 3. クラスの重み
model_weighted = LogisticRegression(class_weight='balanced')
model_weighted.fit(X_train, y_train)
y_pred_weighted = model_weighted.predict(X_test)
print("\nクラスの重み使用：")
print(classification_report(y_test, y_pred_weighted))

from sklearn.feature_selection import SelectKBest, chi2, RFE, SelectFromModel
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_breast_cancer
from sklearn.preprocessing import MinMaxScaler

# データのロード
data = load_breast_cancer()
X, y = data.data, data.target

# 1. フィルター法 - SelectKBestとカイ二乗
X_scaled = MinMaxScaler().fit_transform(X)
selector_chi2 = SelectKBest(chi2, k=10)
X_chi2 = selector_chi2.fit_transform(X_scaled, y)
print(f"元の特徴量: {X.shape[1]}")
print(f"選択された特徴量 (chi2): {X_chi2.shape[1]}")

# 2. ラッパー法 - 再帰的特徴量消去
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rfe = RFE(estimator=rf, n_features_to_select=10)
X_rfe = rfe.fit_transform(X, y)
print(f"選択された特徴量 (RFE): {X_rfe.shape[1]}")
print(f"特徴量ランキング: {rfe.ranking_}")

# 3. 埋め込み法 - ツリーベースの特徴量重要度
rf.fit(X, y)
importances = rf.feature_importances_
indices = np.argsort(importances)[::-1]

print("\n重要度上位10の特徴量：")
for i in range(10):
    print(f"{i+1}. {data.feature_names[indices[i]]}: {importances[indices[i]]:.4f}")

# SelectFromModel
selector_model = SelectFromModel(rf, threshold='median', prefit=True)
X_selected = selector_model.transform(X)
print(f"\n選択された特徴量 (重要度): {X_selected.shape[1]}")

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split

# カーディナリティの高いサンプルデータ
df = pd.DataFrame({
    'city': np.random.choice([f'City_{i}' for i in range(100)], 1000),
    'target': np.random.randint(0, 2, 1000)
})

print(f"一意の都市: {df['city'].nunique()}")

# 1. ターゲットエンコーディング
target_means = df.groupby('city')['target'].mean()
df['city_target_encoded'] = df['city'].map(target_means)

# 2. 頻度エンコーディング
freq = df['city'].value_counts()
df['city_frequency'] = df['city'].map(freq)

# 3. まれなカテゴリのグループ化
freq_threshold = 10
rare_cities = freq[freq < freq_threshold].index
df['city_grouped'] = df['city'].apply(lambda x: 'Other' if x in rare_cities else x)

print(f"\nグループ化後: {df['city_grouped'].nunique()} 個の一意の値")

# 4. ハッシュエンコーディング (category_encodersライブラリを使用)
# from category_encoders import HashingEncoder
# encoder = HashingEncoder(cols=['city'], n_components=10)
# df_hashed = encoder.fit_transform(df)

print(df[['city', 'city_target_encoded', 'city_frequency', 'city_grouped']].head())

# 1. モデルのトレーニングと保存
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
import joblib

# モデルのトレーニング
data = load_iris()
model = RandomForestClassifier()
model.fit(data.data, data.target)

# モデルの保存
joblib.dump(model, 'model.joblib')

# 2. FastAPIを使用したAPIの作成
from fastapi import FastAPI
import numpy as np

app = FastAPI()

# モデルのロード
model = joblib.load('model.joblib')

@app.post("/predict")
def predict(features: list):
    # NumPy配列に変換
    X = np.array(features).reshape(1, -1)
    prediction = model.predict(X)
    probability = model.predict_proba(X)
    
    return {
        "prediction": int(prediction[0]),
        "probability": probability[0].tolist()
    }

# 3. Dockerfile
"""
FROM python:3.9-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]
"""

# 4. 使用方法
# curl -X POST "http://localhost:8000/predict" \
#      -H "Content-Type: application/json" \
#      -d '{"features": [5.1, 3.5, 1.4, 0.2]}'

import numpy as np
from scipy import stats

# 本番環境のデータをシミュレート
training_data = np.random.normal(0, 1, 1000)
production_data = np.random.normal(0.5, 1.2, 1000)  # ドリフト

# Kolmogorov-Smirnovテストを使用してデータのドリフトを検出
statistic, p_value = stats.ks_2samp(training_data, production_data)

print(f"KS統計量: {statistic:.4f}")
print(f"P値: {p_value:.4f}")

if p_value < 0.05:
    print("データのドリフトが検出されました！モデルの再トレーニングを検討してください。")
else:
    print("有意なドリフトは検出されませんでした。")

# モデルのパフォーマンスをモニタリング
class ModelMonitor:
    def __init__(self, model):
        self.model = model
        self.predictions = []
        self.actuals = []
        
    def log_prediction(self, X, y_pred, y_true=None):
        self.predictions.append(y_pred)
        if y_true is not None:
            self.actuals.append(y_true)
    
    def get_accuracy(self):
        if len(self.actuals) == 0:
            return None
        return np.mean(np.array(self.predictions) == np.array(self.actuals))
    
    def check_drift(self, new_data, reference_data):
        statistic, p_value = stats.ks_2samp(new_data, reference_data)
        return p_value < 0.05

# 使用方法
monitor = ModelMonitor(model)
# monitor.log_prediction(X, y_pred, y_true)
# accuracy = monitor.get_accuracy()

import numpy as np
from scipy import stats

# A/Bテストの結果をシミュレート
# コントロールグループ（モデルA）
control_conversions = 520
control_visitors = 10000

# トリートメントグループ（モデルB）
treatment_conversions = 580
treatment_visitors = 10000

# コンバージョン率を計算
control_rate = control_conversions / control_visitors
treatment_rate = treatment_conversions / treatment_visitors

print(f"コントロールのコンバージョン率: {control_rate:.4f}")
print(f"トリートメントのコンバージョン率: {treatment_rate:.4f}")
print(f"上昇率: {((treatment_rate - control_rate) / control_rate * 100):.2f}%")

# 統計的有意性テスト（2標本z検定）
pooled_rate = (control_conversions + treatment_conversions) / (control_visitors + treatment_visitors)
se = np.sqrt(pooled_rate * (1 - pooled_rate) * (1/control_visitors + 1/treatment_visitors))
z_score = (treatment_rate - control_rate) / se
p_value = 2 * (1 - stats.norm.cdf(abs(z_score)))

print(f"\nZスコア: {z_score:.4f}")
print(f"P値: {p_value:.4f}")

if p_value < 0.05:
    print("結果は統計的に有意です！")
    if treatment_rate > control_rate:
        print("トリートメント（モデルB）の方が優れています。")
    else:
        print("コントロール（モデルA）の方が優れています。")
else:
    print("統計的に有意な差はありません。")

# サンプルサイズの計算
from statsmodels.stats.power import zt_ind_solve_power

required_sample = zt_ind_solve_power(
    effect_size=0.02,  # 最小検出可能な効果
    alpha=0.05,
    power=0.8,
    alternative='two-sided'
)
print(f"\nグループごとの必要なサンプルサイズ: {int(required_sample)}")

# 例：実験追跡のためのMLflow
import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# データのロード
data = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.3, random_state=42
)

# MLflowの実行を開始
with mlflow.start_run():
    # パラメータのログ記録
    n_estimators = 100
    max_depth = 5
    mlflow.log_param("n_estimators", n_estimators)
    mlflow.log_param("max_depth", max_depth)
    
    # モデルのトレーニング
    model = RandomForestClassifier(
        n_estimators=n_estimators,
        max_depth=max_depth,
        random_state=42
    )
    model.fit(X_train, y_train)
    
    # 評価
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    
    # メトリックのログ記録
    mlflow.log_metric("accuracy", accuracy)
    
    # モデルのログ記録
    mlflow.sklearn.log_model(model,