更新情報・正誤表

February 24, 2025 · View on GitHub

公開しているコードでは，以下の内容を反映しています．

更新情報

場所	説明
p. 6	Windows 11には，脚註4で紹介しているWindows Terminalが搭載されています．
p. 20	Amazon SageMaker Studio Labでの動作も確認済みです．表2.1のクラウド・ノートブックに相当します．
p. 22 脚註3	Google Colabでノートブックを新規作成した後で，ランタイム→ランタイムのタイプを変更で，Rを選択できるようになりました．
p. 77	（バージョン依存） 3.4.2.1のPythonのコードの`my_df2 = my_df.append(tmp)`を`my_df2 = pd.concat([my_df, tmp])`としなければならないことがあります．
p. 112 脚註6	（バージョン依存）対象を数値の列に限定するオプション`numeric_only=True`が必要な場合があります．
p. 113	（バージョン依存） Pythonのコードを，`my_df.var(numeric_only=True)`や`my_df.apply('var', numeric_only=True)`としなければならないことがあります．
p. 115	（バージョン依存） Pythonのコードを，`my_df.groupby('gender').mean(numeric_only=True)`あるいは`my_df.groupby('gender').agg('mean', numeric_only=True)`あるいは`my_df.drop(['name'], axis=1).groupby('gender').agg(np.mean)`としなければならないことがあります．
p. 151, 152	GitHub上でのCSVファイルの表示方法が変更されたので，https://github.com/taroyabuki/fromzero/blob/master/data/exam.csv の代わりにhttps://taroyabuki.github.io/fromzero/exam.html を使ってください．
p. 160, 161	（バージョン依存） Pythonのコードの`get_feature_names()`を`get_feature_names_out()`としなければならないことがあります．
p. 184	予測値の期待値の信頼区間
p. 194	「7.4.3 当てはまりの良さの指標の問題点」についての補足
p. 271, 275	XGBoostで`ValueError: Invalid classes inferred from unique values of y. Expected: [0 1 2], got ['setosa' 'versicolor' 'virginica']`というエラーが出る場合は，`LabelEncoder`を使ってラベルを数値に変換してください．
p. 271, 275	9.4.2, 9.5.3項のPythonのコードで警告がたくさん出る場合は，`warnings.simplefilter`の引数の「`, UserWarning`」を削除してみてください．
p. 277	9.6.2項のPythonのコードで警告がたくさん出る場合は，`MLPClassifier()`を`MLPClassifier(max_iter=1000)`に変更してみてください．
p. 292, 298	（バージョン依存） Pythonのコードの`get_feature_names()`を`get_feature_names_out()`としなければならないことがあります．
p. 297	（バージョン依存） Pythonのコードの`LogisticRegression(penalty='none')`を`LogisticRegression(penalty=None)`としなければならないことがあります．
第11章	Google Colabでは，Kerasの代わりにKeras3をインストールして，`library(keras3)`で読み込んでください（公開コードは対応済み）．
p. 309	（バージョン依存） Rでエラーが出る場合は，`list`を`rbind`に変更してください．
p. 309	（バージョン依存） Pythonでは`y, y_1, y_2 = np.array(y), np.array(y_1), np.array(y_2)`として，リストをアレイに変換しなければならないことがあります．
p. 310, 329	Rのコード`左辺 %<-% 右辺`が正しく動作しない場合は，事前に`library(zeallot)`を実行してください．
p. 342	（バージョン依存） Pythonのコードの`from fbprophet import Prophet`を`from prophet import Prophet`としなければならないことがあります．

正誤表

次の誤りは第6刷で修正しました．

場所	誤	正
p. 138 本文1行目	確率（約0.22）	確率（約0.022）

次の誤りは第5刷で修正しました．

場所	誤	正
p. 258 本文3行目	グラフの中で	連結グラフ（任意の2点を線をつないで結べるグラフ）の中で
p. 351 Pythonのコード	`vals, vecs = np.linalg.eig(S) # 固有値と固有ベクトル`	`vals, vecs = np.linalg.eig(S) # 固有値と固有ベクトル` `idx = np.argsort(-vals) # 固有値の大きい順の番号` `vals, vecs = vals[idx], vecs[:, idx] # 固有値の大きい順での並べ替え`

次の誤りは第4刷で修正しました．

場所	誤	正
p. 56 最初のコード（R）	`0.3333333`	`3.333333`
p. 56 最初のコード（Python）	`0.3333333333333333`	`3.3333333333333335`
p. 56 脚註1	0.3333333	3.333333
p. 119 脚註9	[4.3, 4.7, 5.1, 5.5, 5.9, 6.300000000000001, 6.7, 7.1000000000000005, 7.5, 7.9]です．小さな誤差が，観測値6.3や7.1が属する階級に影響し，このままではヒストグラムがRと同じになりません．同じにするために，ここでは，`round`で誤差を消しています．	[4.3, 4.7, 5.1, 5.5, 5.9, 6.3, 6.7, 7.1, 7.5, 7.9]から少しずれます．Rも同様なのですが，Rではそのずれを丸めて消してから数を数えます．ここでは，Pythonでもそうなるように，`round`で数値を丸めています．
p. 184 脚註4	回帰直線	予測値の期待値
p. 194 Pythonのコード（2箇所）	`PolynomialFeatures(d)`	`PolynomialFeatures(d, include_bias=False)`
p. 233 旁註	`sc`や`lm`	`sc`や`lr`
p. 233 旁註	`my_model.named_steps.lm`	`my_pipeline.named_steps.lr`
p. 240 旁註	`sfs`と`lm`	`sfs`と`lr`
p. 272 下から2行目	Sepal.With	Sepal.Width
p. 341 脚註5	`autoplot(level = c(80, 90))`	`autoplot(level = c(80, 95))`
p. 349 本文上から3行目	描かれいます	描かれています