AIを作るとき、アルゴリズムは何を選択すればよいのか？

# 警告表示を無効にする
import warnings
warnings.simplefilter('ignore')

# ライブラリを読み込む
import numpy as np

# sklearnを読み込む
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from xgboost import XGBClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.neighbors import KNeighborsClassifier


# 乱数の種
# 実行っ結果の値を合わせるために指定する
random_seed = 777

# 乳がんのサンプルデータを読み込む
cancer = load_breast_cancer()

# 入力データ:x (30次元)
# 正解データ:y (1次元)
x_orig = cancer.data
y_orig = cancer.target

# 最後のデータは、予測する際に使用するので、除外する
x = x_orig[:-1, :]
y = y_orig[:-1]

# 最後のデータを保存する
x_last = x_orig[-1, :]
y_last = y_orig[-1]

# predict関数で扱えるデータは2次元なので、
# 1次元で保存された最後のデータを、2次元に変換する
x_last = np.array(x_last).reshape(1, 30)

# 入力データ、正解データを訓練データとテストデータに分割する
# 訓練データとテストデータの比率が、9対1となるように分割する
# x_train:訓練データ
# y_train:訓練データの正解データ
# x_test:テストデータ
# y_test:テストデータの正解データ
# train_test_split:訓練データとテストデータを分割する
# test_size:テストデータの比率
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.1, random_state=random_seed)

# 分割後の情報を表示する
print('■ load_breast_cancerで読み込んだ乳がんの診断データ')
print(f'全データの数\t\t: {x.shape[0]}')
print(f'訓練データの数\t\t: {x_train.shape[0]}')
print(f'テストデータの数\t: {x_test.shape[0]}')
print(f'検証データの数\t\t: {x_last.shape[0]}\n')

# ニューラルネットワーク
# モデルを作成するときのアルゴリズムにニューラルネットワークを指定する
algorithm_NeuralNetwork = MLPClassifier(solver='sgd', random_state=random_seed, max_iter=1000)

# サポートベクターマシン
# モデルを作成するときのアルゴリズムにサポートベクターマシンを指定する
algorithm_SVC = SVC(kernel='rbf', random_state=random_seed)

# 回帰
# モデルを作成するときのアルゴリズムに回帰を指定する
algorithm_Regression = LogisticRegression(random_state=random_seed)

# XGBoost
# モデルを作成するときのアルゴリズムにXGBoostを指定する
# eval_metric:検証データに対する評価基準を設定する。デフォルトのままだとwarningが表示されるので、設定しておく。rmseは2乗平均平方根誤差。
algorithm_XGB = XGBClassifier(eval_metric='rmse', random_state=random_seed)

# 決定木
# モデルを作成するときのアルゴリズムに決定木を指定する
algorithm_DecisionTree = DecisionTreeClassifier(random_state=random_seed)

# ランダムフォレスト
# モデルを作成するときのランダムフォレストに決定木を指定する
algorithm_RandomForest = RandomForestClassifier(random_state=random_seed)

# ナイーブベイズ分類器
# モデルを作成するときのナイーブベイズ分類器を指定する
algorithm_GaussianNB = GaussianNB()

# k近傍法
# モデルを作成するときのk近傍法を指定する
algorithm_knn = KNeighborsClassifier()

# アルゴリズムのリストを作成する
algorithms = [algorithm_NeuralNetwork,
              algorithm_SVC,
              algorithm_Regression,
              algorithm_XGB,
              algorithm_DecisionTree,
              algorithm_RandomForest,
              algorithm_GaussianNB,
              algorithm_knn]

# 各アルゴリズムの学習と精度を行う
print('■ 各アルゴリズムの精度')
for algorithm in algorithms:
    # アルゴリズム名(オブジェクトのクラス名)を取得する
    name = algorithm.__class__.__name__

    # fit関数で訓練データを学習する
    algorithm.fit(x_train, y_train)

    # テストデータを用いて、score関数で精度を測定する
    score = algorithm.score(x_test, y_test)

    # 精度を表示する
    print(f'score: {score:.4f} {name}')

■ load_breast_cancerで読み込んだ乳がんの診断データ
全データの数	: 568
訓練データの数	: 511
テストデータの数	: 57
検証データの数	: 1

■ 各アルゴリズムの精度
score: 0.7368 MLPClassifier
score: 0.8772 SVC
score: 0.9298 LogisticRegression
score: 0.9298 XGBClassifier
score: 0.8596 DecisionTreeClassifier
score: 0.9123 RandomForestClassifier
score: 0.8772 GaussianNB
score: 0.9123 KNeighborsClassifier