線形回帰（linear regression）

>>> from sklearn import datasets
    # サンプル数 100，説明変数（n_features）の数: 1，ノイズ 30 でデータを生成する．
>>> x, y = datasets.make_regression(n_samples=100, n_features=1, noise=30) 
    # 学習データ，テストデータを分割する関数をインポートする．
>>> from sklearn.model_selection import train_test_split
    # 学習データ，テストデータを分割する．学習データを70%に設定している．
>>> x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)

>>> from sklearn import linear_model
    # 回帰分析を行うためのオブジェクトを作成する．
>>> model = linear_model.LinearRegression()
    # モデルを構築する（学習データをもとに学習する）．
>>> model.fit(x_train, y_train)
    # 傾き，切片を表示する．model.coef_ は説明変数が増えると配列の長さが増える．
    # 今回は説明変数が1つなので，model.coef_ は長さ1の配列．
>>> print(f"y = {model.coef_[0]} x + {model.intercept_}")
y = 71.68806792338619 x + -1.1209238100182013
    # x_test を用いて，yの予測値（y_pred）を求める．
>>> y_pred = model.predict(x_test)
>>> print(f"学習データに対するモデルの精度: {model.score(x_train, y_train)}")
0.8489204360720766
>>> print(f"テストデータに対するモデルの精度: {model.score(x_test, y_test)}")
0.7789948180721231

>>> import matplotlib.pyplot as plt
>>> plt.scatter(x_train, y_train, label = "train")
>>> plt.scatter(x_test, y_test, label = "test")
>>> plt.plot(x_test, y_pred, color="magenta", label="prediction")
>>> plt.legend()
>>> plt.show()

from sklearn.model_selection import train_test_split # 学習データとテストデータを分割する．
from sklearn import linear_model
from sklearn import metrics
import numpy as np
import sys

def read_csv(filename):
    x = []
    y = []
    with open(filename, "r") as f:
        f.readline()    # ヘッダ行を読み飛ばす．
        for line in f:
            cols = line.strip().split(",") # 改行を削除し，コンマで分割する．
            y.append(float(cols[1]))   # 目的変数（最終成績）を追加する．
            # 説明変数を追加する．
            x.append([float(cols[2]), float(cols[3]), float(cols[4]),\
                float(cols[5]), float(cols[6])]) 
    return x, y

x, y = read_csv(sys.argv[1]) # ファイル名はコマンドライン引数で指定する．
# 学習データとテストデータに分ける．
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)
# モデルのインスタンスを構築する．
model = linear_model.LinearRegression()
# モデルを構築する（学習データをもとに学習する）．
model.fit(x_train, y_train)
# 予測する．
y_pred = model.predict(x_test)

print(f"回帰モデル y = {model.coef_[0]} x1 + {model.coef_[1]} x2 + {model.coef_[2]} x3 + {model.coef_[3]} x4 + {model.coef_[4]} x5 + {model.intercept_}")
print(f"学習データに対するモデルの精度: {model.score(x_train, y_train)}")
print(f"テストデータに対するモデルの精度: {model.score(x_test, y_test)}")

print(f"MAE  {metrics.mean_absolute_error(y_test, y_pred)}")
print(f"MSE  {metrics.mean_squared_error(y_test, y_pred)}")
print(f"RMSE {np.sqrt(metrics.mean_squared_error(y_test, y_pred))}")
print(f"R2   {metrics.r2_score(y_test, y_pred)}")

$ python3 predict_score.py score.csv
回帰モデル y = 0.451462241306622 x1 + 0.44992635373779616 x2 + 0.09887455767916717 x3 + 0.05239055363565327 x4 + 0.04901081195373999 x5 + 0.3778911217380738
学習データに対するモデルの精度: 0.9998933494645892
テストデータに対するモデルの精度: 0.9997989066601342
MAE  0.2626592103318356  # 実測値と予測値の差の絶対値の平均．
MSE  0.09237273598654057 # 実測値と予測値の差の二乗の平均．
RMSE 0.3039288337531347  # MSE の平方根
R2   0.9997989066601342  #