機械学習ではデータの確認や結果の可視化にグラフを使う場面が多くあります。そのときに欠かせないのがNumPyとMatplotlibの組み合わせです。今回はNumPy配列をグラフのデータとして使う方法を見ていきましょう。

NumPyとは？という方はこちらの記事を見てみてください。（リンク）
Matplotlibとは？という方はこちらの記事を見てみてください。（リンク）

目次

NumPyとMatplotlibを組み合わせる理由
基本：NumPy配列をそのままグラフに渡す
よく使う場面①：データの分布を確認する
よく使う場面②：学習曲線を可視化する
よく使う場面③：2次元配列を画像として表示する
まとめ

NumPyとMatplotlibを組み合わせる理由

機械学習のコードではデータはほぼNumPy配列として扱われます。そしてMatplotlibのax.plot()やax.scatter()などのメソッドはNumPy配列をそのまま受け取れるように設計されています。

つまり特別な変換は必要なく、NumPy配列を作ったらそのままグラフに渡せます。

import numpy as np
import matplotlib.pyplot as plt

x = np.array([1, 2, 3, 4, 5])  # NumPy配列
y = np.array([2, 4, 1, 5, 3])  # NumPy配列

fig, ax = plt.subplots()
ax.plot(x, y)  # そのまま渡せる
plt.show()

表示結果

基本：NumPy配列をそのままグラフに渡す

np.linspace()で連続したデータを作る

np.linspace(start, stop, num)はstartからstopまでnum個の値を等間隔に生成します。グラフのx軸のデータを作るときによく使います。

x = np.linspace(0, 10, 100)  # 0〜10を100分割
y = np.sin(x)                 # 各xに対してsinを計算

fig, ax = plt.subplots()
ax.plot(x, y)
plt.show()

表示結果

NumPyの強みはnp.sin(x)のように配列全体に一括で演算できる点です。
xの全100要素に対して、y = np.sin(x)というたった1行でsin(x)を計算できます。

Pythonのリストではこのような書き方はできません。

# Pythonリストではできない
x = [0, 1, 2, 3]
y = np.sin(x)  # ← これはエラーになる

# NumPy配列ならできる
x = np.array([0, 1, 2, 3])
y = np.sin(x)  # ← OK

np.arange()で整数のデータを作る

np.arange(start, stop, step)はPythonのrange()と似ていますが、NumPy配列を返します。

x = np.arange(0, 10, 1)  # 0, 1, 2, ..., 9
y = x ** 2               # 各xを2乗

fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title("y = x²")
plt.show()

表示結果

よく使う場面①：データの分布を確認する

機械学習でモデルを作る前に、まずデータの分布を確認することが重要です。ヒストグラムを使うとデータがどのような形で分布しているかを把握できます。

import numpy as np
import matplotlib.pyplot as plt

# 平均0・標準偏差1の正規分布に従うデータを1000個生成
np.random.seed(42)
data = np.random.randn(1000)

fig, ax = plt.subplots()
ax.hist(data, bins=30, color="steelblue", edgecolor="white")
ax.set_title("データの分布")
ax.set_xlabel("値")
ax.set_ylabel("頻度")
plt.show()

表示結果

np.random.randn()は平均0・標準偏差1の正規分布に従う乱数を生成します。機械学習では重みの初期値などに正規分布がよく使われます。

edgecolor="white"を指定すると棒と棒の境界が白線で区切られ、見やすくなります。

よく使う場面②：学習曲線を可視化する

機械学習モデルの訓練では、エポック（学習の繰り返し回数）ごとの損失（loss）や精度（accuracy）を記録しておいて、学習がうまく進んでいるかをグラフで確認します。これを学習曲線と呼びます。

import numpy as np
import matplotlib.pyplot as plt

# 学習曲線のサンプルデータ（実際はモデルの訓練から得られる）
epochs = np.arange(1, 21)              # エポック数 1〜20
train_loss = 1.0 / np.sqrt(epochs)    # 訓練データの損失（減少していく）
val_loss = train_loss + np.random.randn(20) * 0.05  # 検証データの損失

fig, ax = plt.subplots()
ax.plot(epochs, train_loss, label="train loss", color="blue")
ax.plot(epochs, val_loss,   label="val loss",   color="red", linestyle="--")

ax.set_title("学習曲線")
ax.set_xlabel("エポック数")
ax.set_ylabel("損失")
ax.legend()
ax.grid(True, linestyle="--", linewidth=0.5)
plt.show()

表示結果

訓練データの損失（青）と検証データの損失（赤の破線）を重ねて表示することで、過学習（overfitting）が起きていないかを視覚的に確認できます。

2本の線が一緒に下がっていれば正常
検証データの損失だけ上がり始めたら過学習のサイン

よく使う場面③：2次元配列を画像として表示する

画像データは機械学習では2次元（または3次元）のNumPy配列として扱われます。ax.imshow()を使うと2次元配列をそのまま画像として表示できます。

import numpy as np
import matplotlib.pyplot as plt

# 8×8のランダムなグレースケール画像を生成
np.random.seed(0)
image = np.random.randint(0, 256, (8, 8))

fig, ax = plt.subplots()
ax.imshow(image, cmap="gray")
ax.set_title("グレースケール画像（8×8）")
plt.colorbar(ax.imshow(image, cmap="gray"), ax=ax)
plt.show()

表示結果

引数	説明
`cmap="gray"`	グレースケールで表示する
`plt.colorbar()`	値と色の対応を示すカラーバーを表示する

cmapを変えると別の配色で表示できます。よく使うものは以下の通りです。

cmap	見た目
`"gray"`	グレースケール
`"viridis"`	青〜緑〜黄（デフォルト）
`"hot"`	黒〜赤〜白
`"coolwarm"`	青〜白〜赤（正負のデータに向く）

まとめ

MatplotlibはNumPy配列をそのまま受け取れるため、変換不要で使える
np.linspace()・np.arange()でx軸のデータを簡単に作れる
NumPy配列は一括演算ができるため、グラフ用のyデータも1行で計算できる
機械学習でよく使う組み合わせをまとめると：

場面	NumPy	Matplotlib
データの分布確認	`np.random.randn()`	`ax.hist()`
学習曲線の可視化	`np.arange()`	`ax.plot()`
画像データの表示	2次元配列	`ax.imshow()`