機械学習から始める F# 入門¶
F# は .NET で動く関数型ファーストの言語で、判別共用体・パターンマッチ・パイプライン演算子（|>）・型推論・型プロバイダを備えています。本シリーズでは、Python 版・Kotlin 版・TypeScript 版と同じ題材の機械学習のアルゴリズムを TDD で自作し、次に .NET の機械学習ライブラリ（ML.NET・FSharp.Stats）に置き換えて結果を突き合わせながら、F# の書き方とエコシステムを学びます。
特徴¶
- 判別共用体とパターンマッチ: 「きのこ派かたけのこ派か」「葉か節か」のような場合分けを型で表し、
matchの書き漏れをコンパイラの警告で見つける - パイプライン:
people |> List.map predictByRuleのように、データを関数に順に通す形で処理を書く - 型推論: 型を書かなくても推論されるが、関数の引数と戻り値には型を書いて意図を示す
- C# 向けのライブラリとの橋渡し: ML.NET は C# 向けの API なので、F# から使うときの工夫も扱う
Python 版・Kotlin 版・TypeScript 版との違い¶
分割の手順は他の言語と同じですが、.NET の乱数生成器を使うので、訓練データとテストデータに入る行は一致しません。件数は一致しますが、正解率や係数などの数値は F# 版の実装で実測した値を載せています。
Notebook による探索と可視化は、Kotlin 版と同じ章（第 2・3・7〜14 章）で扱います。Notebook には Polyglot Notebooks を使います。
Polyglot Notebooks は廃止されています
Polyglot Notebooks と、それを動かす .NET Interactive は、2026 年に Microsoft が廃止しました（dotnet/interactive#4163）。インストール済みの拡張機能は動き続けますが、機能追加やバグ修正は無く、将来の VS Code・.NET SDK の更新で動かなくなる可能性があります。本シリーズでは Microsoft.dotnet-interactive 1.0.712001 と Plotly.NET.Interactive 5.0.0 で動作を確かめています。Notebook は探索と可視化だけに使い、テストや記事の数値は apps/fsharp/ のプロジェクトから求めるので、Notebook が動かなくなっても実装とテストは影響を受けません。
開発環境¶
| ツール | 用途 |
|---|---|
| .NET SDK 10 | ビルド・実行・パッケージ管理・テストの実行（dotnet CLI） |
| xUnit v3 | テスティングフレームワーク |
| coverlet | カバレッジ |
| Fantomas・FSharpLint | コードの整形・静的解析 |
| Polyglot Notebooks | 探索と可視化（廃止済み。上の注意を参照） |
ライブラリ¶
| ライブラリ | 用途 | 初出 |
|---|---|---|
| FSharp.Data | CSV の読み込み（型プロバイダ） | 第 2 章 |
| Plotly.NET | Notebook での可視化 | 第 2 章 |
| ML.NET | 機械学習（自作との突き合わせ） | 第 3 章 |
| FSharp.Stats | 数値計算・回帰・主成分分析・K-means | 第 7 章 |
| Giraffe | 予測 API | 第 15 章 |
選定の理由と、章ごとにライブラリへ置き換えられる範囲は ADR 004 を参照してください。
サンプルコード¶
サンプルコードは apps/fsharp/ にあります。学習データの配置方法は 第 1 章 の「題材とデータ」を参照してください。
cd apps/fsharp
dotnet tool restore
dotnet test
dotnet run --project src/MachineLearning -- chapter01
章構成¶
第 1 部: 機械学習と TDD の基本サイクル¶
| 章 | テーマ |
|---|---|
| 第 1 章 | 機械学習とはじめてのテスト |
| 第 2 章 | データの前処理と三角測量 |
| 第 3 章 | 決定木による分類と明白な実装 |
第 2 部: 開発環境と自動化¶
| 章 | テーマ |
|---|---|
| 第 4 章 | バージョン管理とデータ管理 |
| 第 5 章 | パッケージ管理と静的解析 |
| 第 6 章 | タスクランナーと CI/CD |
第 3 部: 回帰と実践的な前処理¶
| 章 | テーマ |
|---|---|
| 第 7 章 | 線形回帰による数値予測 |
| 第 8 章 | 実践的な分類と前処理パイプライン |
| 第 9 章 | 特徴量エンジニアリング |
第 4 部: モデルの改善と評価¶
| 章 | テーマ |
|---|---|
| 第 10 章 | ロジスティック回帰とアンサンブル学習 |
| 第 11 章 | 評価指標と交差検証 |
| 第 12 章 | 正則化とモデル選択 |
第 5 部: 教師なし学習と実運用¶
| 章 | テーマ |
|---|---|
| 第 13 章 | 主成分分析による次元削減 |
| 第 14 章 | K-means によるクラスタリング |
| 第 15 章 | 機械学習 API とモジュール設計 |
付録¶
総合演習（Bank）の解答例は Python 版のみです。演習問題は言語に依存しないので、Python 版の付録 A の問題に F# で取り組んでください。