Gemini派の筆者が、同じプロンプトでChatGPTに負けを認めた理由【Python AIコード生成比較】

# ==========================================

# 1. 必要なライブラリの読み込み

# ==========================================

import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# ==========================================

# 2. データの準備（手書き数字データの読み込み）

# ==========================================

# scikit-learnに用意されている8x8ピクセルの手書き数字データ（0〜9）を使用します

digits = load_digits()

# X: 画像のピクセルデータ（特徴量）, y: 正解の数字（目的変数）

X = digits.data
y = digits.target

# ==========================================

# 3. データを「学習用」と「テスト用」に分割

# ==========================================

# 全データの80%をAIの学習に、残り20%を最後の「試験（テスト）」に使います

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

# ==========================================

# 4. AIモデルの作成と学習

# ==========================================

# 初心者でも扱いやすく精度が出やすい「ランダムフォレスト」というアルゴリズムを採用します

model = RandomForestClassifier(random_state=42)

# .fit() で学習を実行します（パターンと正解の関係を覚える）

model.fit(X_train, y_train)

# ==========================================

# 5. テストデータを使った予測と正解率（Accuracy）の算出

# ==========================================

# 未知のテストデータに対して予測を行います

y_pred = model.predict(X_test)

# 正解率（Accuracy）を計算して表示

accuracy = accuracy_score(y_test, y_pred)
print(f"----------------------------------------")
print(f"モデルの正解率（Accuracy）: {accuracy * 100:.2f}%")
print(f"----------------------------------------\n")

# ==========================================

# 6. 実際の画像と予測結果の可視化

# ==========================================

# 10枚分の結果を並べて表示するキャンバスを作成

fig, axes = plt.subplots(2, 5, figsize=(10, 5))
axes = axes.ravel()

for i in range(10):
# データ（64個の数値リスト）を「8×8の2次元画像」の形に戻して表示
axes[i].imshow(X_test[i].reshape(8, 8), cmap='gray_r')

predicted_label = y_pred[i]
true_label = y_test[i]

# 予測が当たっていれば「緑色」、間違っていれば「赤色」でタイトルを表示
color = 'green' if predicted_label == true_label else 'red'
axes[i].set_title(f"Pred: {predicted_label}\n(True: {true_label})", color=color)
axes[i].axis('off')  # 縦横の目盛りを非表示にする

plt.tight_layout()
plt.show()

# ==========================================
# 手書き数字認識AI（scikit-learn版）
# Google Colabでそのまま実行できます
# ==========================================

# ------------------------------------------
# 1. 必要なライブラリを読み込む
# ------------------------------------------
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# ------------------------------------------
# 2. 手書き数字データを読み込む
# ------------------------------------------
digits = load_digits()
X = digits.data
y = digits.target

print("画像データの数:", len(X))
print("画像サイズ:", digits.images[0].shape)

# ------------------------------------------
# 3. データを学習用とテスト用に分割する
# ------------------------------------------
X_train, X_test, y_train, y_test = train_test_split(
    X,              # 入力データ
    y,              # 正解ラベル
    test_size=0.2,  # 20%をテスト用にする
    random_state=42 # 毎回同じ結果になるよう固定
)

# ------------------------------------------
# 4. AIモデルを作成する
# ------------------------------------------
model = SVC(kernel="linear")

# ------------------------------------------
# 5. AIに画像を覚えさせる（学習）
# ------------------------------------------
print("AIの学習を開始します...")
model.fit(X_train, y_train)
print("学習完了！")

# ------------------------------------------
# 6. テスト画像で予測する
# ------------------------------------------
y_pred = model.predict(X_test)

# ------------------------------------------
# 7. 正解率 Accuracy を表示する
# ------------------------------------------
accuracy = accuracy_score(y_test, y_pred)
print("--------------------------------")
print("AIの正解率（Accuracy）:")
print(f"{accuracy * 100:.2f}%")
print("--------------------------------")

# ------------------------------------------
# 8. 実際の画像とAIの予測結果を見る
# ------------------------------------------
show_number = 10
plt.figure(figsize=(15, 6))

for i in range(show_number):
    plt.subplot(2, 5, i + 1)
    plt.imshow(X_test[i].reshape(8, 8), cmap="gray")
    plt.title(f"予測:{y_pred[i]}\n正解:{y_test[i]}")
    plt.axis("off")

plt.tight_layout()
plt.show()