機械学習から始める Scala 入門
Scala は JVM 上で動く言語で、オブジェクト指向と関数型の書き方をひとつの型システムの上でまとめています。Scala 3 の case class・enum・Option・パターンマッチによって、データとモデルを値として表し、変換の連なりとして処理を書けます。本シリーズでは、Python 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 JVM の機械学習ライブラリ Tribuo に置き換えて結果を突き合わせながら、Scala の書き方とエコシステムを学びます。
Scala 版は Java 版・Kotlin 版 と同じ JVM・同じ Tribuo を使い、関数型の書き方では F# 版 と対比します。同じ処理を 4 つの言語で書いた違いに注目できるように、各章で対比しながら進めます。
特徴
- case class と enum: データや決定木の節を、値として比較できる型で表す。Java の record・Kotlin の data class に当たり、F# のレコードと判別共用体にも近い
- 不変のコレクション: データフレームのライブラリを使わず、
Vector・Map と map・filter・foldLeft でデータを変換・集計する。Vector は中身で比較されるので、Java 版・C# 版が配列で苦労した「値で比べる」がそのまま書ける
Option で「値が無い場合」を表す: null を使わず、Option を返す関数を引数で渡して環境変数のような外部の値をテストで差し替える- 警告をエラーにする:
-Wunused:all・-Wvalue-discard を -Xfatal-warnings でエラーにし、第 1 章から指摘を受けながら書く
ほかの版との違い
- Notebook による探索と可視化の節は設けません。グラフは Python 版 と Kotlin 版 の可視化の節を参照してください
- 機械学習ライブラリには Smile ではなく Tribuo を使います。Scala 3 向けの
smile-scala_3 は 3.0.2 以降しか無く、そのすべてが GPL-3.0 で、LGPL-3.0 の 2.6.0 には Scala 3 向けの成果物がありません。公開リポジトリで配るサンプルコードの利用条件を単純に保つため、Apache License 2.0 の Tribuo を選びました
- 分割の手順は Python 版と同じですが、乱数生成器が異なるため、訓練データとテストデータに入る行は Python 版と一致しません。記事の数値は Scala 版の実装で実測した値を載せています
開発環境
| ツール |
用途 |
sbt（project/build.properties で版を固定） |
ビルドツール・タスクランナー |
| ScalaTest（AnyFunSuite） |
テスティングフレームワークとアサーション |
| scalafmt（sbt-scalafmt） |
整形 |
コンパイラの警告（-Wunused:all・-Wvalue-discard・-Xfatal-warnings） |
静的解析 |
| scoverage |
カバレッジ |
| Scala 3.3.6（LTS）・JDK 21 |
nix develop .#scala で用意する |
ライブラリ
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 007 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/scala/ 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。
nix develop .#scala
cd apps/scala
sbt test
sbt "run chapter01"
リポジトリのルートからは npx gulp apps:check:scala で整形の検査とテストをまとめて実行できます。
章構成
第 1 部: 機械学習と TDD の基本サイクル
第 2 部: 開発環境と自動化
第 3 部: 回帰と実践的な前処理
第 4 部: モデルの改善と評価
第 5 部: 教師なし学習と実運用
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 Scala で取り組んでください。