1. 作るもの — 乳がん診断支援モデル
このレッスンから3回かけて、最初のモデル「乳がん診断支援」を開発します。 使うのは scikit-learn に同梱されている乳がんデータセット（Breast Cancer Wisconsin）。 これは、乳房のしこりに細い針を刺して細胞を採取する検査 （穿刺吸引細胞診／FNA）の画像から計測した細胞核の特徴を数値化したデータで、 医療AIの教材として世界中で使われてきた定番です。
🩺 このモデルの位置づけ： 作るのは「細胞核の計測値から、良性か悪性かの判断を支援するモデル」です。 レッスン1の大原則のとおり、 最終的な診断は医師が行います。ここで学ぶのは、その支援材料をどう作り、どう正しく評価するかです。
まずはデータを読み込んで、全体像をつかみましょう。
569例・30特徴量。特徴量は mean radius（核の半径の平均）、
mean texture（きめ）、mean area（面積）など、
細胞核の形や大きさを数値にしたものです。クラスは malignant（悪性）と benign（良性）の2つです。
2. 最初に決めること —「何を陽性とするか」
モデルを作る前に、医療AIで必ず最初に決めるべきことがあります。それは「何を陽性（1）とするか」です。
見つけたい対象——ここでは悪性——を陽性に置くのが自然です。
ところが、このデータの target は逆になっています。
⚠ なぜ揃えるのか： このあと出てくる感度（見逃さない力）・PPVなどの指標は、すべて「陽性＝1」を基準に計算されます。 陽性の向きが逆のままだと、「感度」と思って見ていた数字が実は「特異度」だった、という取り違えが起きます。 開発の一番はじめに陽性を定義して固定する——医療AIの作法です。本コースは以後 1=悪性 で統一します。
3. EDA — データを眺めて、良性と悪性の違いを見る
モデルにかける前に、データ自身に語らせるのがEDA（探索的データ分析）です。
pandasコースで学んだ DataFrame に載せ替えて、
良性と悪性で特徴量がどう違うかを見てみましょう。
悪性（1）のほうが mean radius（核の半径）も mean area（面積）も
mean concavity（くぼみの深さ）も大きいことが読み取れます。
「悪性の細胞核は大きく、いびつ」という医学的な傾向が、数字にも表れているわけです。
この差があるからこそ、機械学習で判別を支援できる見込みが立ちます。
💡 悪性が37%？： このデータの悪性割合は約0.37と、実際の検診集団よりかなり高めです。 これは研究用に集められたデータだからで、有病率（母集団に占める病気の割合）は本番環境で大きく変わります。 この「割合の違い」がなぜ重大かは、レッスン5で 「有病率の罠」として体験します。
4. データを分ける — 層化分割（stratify）
レッスン2で学んだとおり、訓練とテストを分けます。
このデータは1人1レコード（患者ごとに1行）なので患者リーケージの心配はなく、
train_test_split を使えます。ただしstratify=y を必ず付けます。
訓練とテストの悪性率がどちらも約0.37でそろっています。
stratify（層化）は「元の陽性/陰性の比率を、分割後もキープする」指定です。
これを付けないと、偶然テストに悪性が偏り、評価がブレる原因になります
（クラス不均衡なデータほど効いてきます）。
5. 標準化 — スケールをそろえる（リーケージに注意）
このデータの特徴量は、mean area が数百〜数千、mean smoothness が0.1前後と、
桁が大きく違います。ロジスティック回帰のように距離・大きさに敏感なモデルでは、
スケールを標準化（平均0・標準偏差1に変換）してそろえておくのが定石です
（機械学習入門コースの復習）。
⚠ 標準化のリーケージ：
標準化の基準（平均・標準偏差）は訓練データだけから計算します（fit は訓練のみ）。
テストデータを含めて基準を作ると、テストの情報が前処理に漏れる（リーケージ）ため、
scaler.fit(X_train) → transform の順を守ります。
標準化後、訓練データの平均はほぼ0になります。 一方テストデータの平均は0ちょうどにはなりません（0.001）。 これは正常です——テストは「訓練で作った基準」で変換しているだけなので、ぴったり0になる保証はないのです。 むしろぴったり0になったら、テストを含めて基準を作ってしまった（リーケージ）疑いがあります。
💡 木のモデルは標準化不要： 次のレッスンで使うランダムフォレストなどの決定木ベースのモデルは、スケールの影響を受けません （大小関係だけで分岐するため）。標準化が要るのは主にロジスティック回帰やSVM、距離を使うモデルです。 「どのモデルに何の前処理が要るか」を意識できると一歩前進です。
6. 練習問題
stratify のありがたみを見る
次のコードは stratify を付けずに分割しています。実行して悪性率を確認し、
その後stratify=y を追加して、訓練とテストの悪性率がよりそろうことを確かめてください。
ヒントを見る（答え＋解説）
X_tr, X_te, y_tr, y_te = train_test_split(
X, y, test_size=0.3, random_state=42, stratify=y)stratifyなしでは 訓練0.374 / テスト0.368、stratifyありでは 訓練0.372 / テスト0.374 と、 テスト側が母集団の割合（約0.373）により近づきます。 このデータでは差は小さいですが、陽性がもっと少ない不均衡データほど、この差は大きく効きます。
標準化はどのデータで fit する？
StandardScaler の fit（基準づくり）を行うべきなのはどれですか。
- A. 全データ（X 全体）で fit してから訓練・テストに分ける
- B. 訓練データだけで fit し、その基準でテストも transform する
- C. 訓練とテストで別々に fit する
答えと解説を見る
正解：B
Aはテストの情報が基準に漏れる（リーケージ）のでNG。 Cはテストを別基準で変換することになり、訓練で学んだモデルとものさしがずれてしまいます。 正解はB——訓練で基準を作り、その同じ基準でテストを変換。本番で新しい患者が来たときも、この訓練基準で変換します。
別の特徴量でも差を見る
sample_3 を改造して、mean smoothness（なめらかさ）と mean symmetry（対称性）について、
良性と悪性で平均を比べてください。悪性のほうが大きいでしょうか。
ヒントを見る（答え＋解説）
print(df.groupby("malignant")[["mean smoothness", "mean symmetry"]].mean().round(3))悪性(1)は smoothness ≒ 0.103・symmetry ≒ 0.193、良性(0)は smoothness ≒ 0.092・symmetry ≒ 0.174 で、
どちらも悪性のほうがやや大きいとわかります。
ただし差は mean radius ほど大きくなく、特徴量によって「効き方」が違うことが見えてきます
（どれが効くかは レッスン4・9で扱います）。
7. まとめ
このレッスンのポイント
- 乳がんデータは569例・30特徴量（細胞核の形・大きさの計測値）
- 開発の最初に陽性を定義する。このデータは target が逆なので
y = (target == 0)で1=悪性に統一 - EDA（
groupby）で、悪性は核が大きく・いびつという傾向を数字で確認 - 分割は
stratify=yで陽性率をそろえる。標準化は訓練だけでfit（リーケージ防止） - 木のモデルは標準化不要。モデルによって必要な前処理が違う
データの準備が整いました。次のレッスンでは、いよいよモデルを学習させて、 混同行列で結果を読み解きます。
完了するとコース一覧に進捗が記録されます