【このページは現在作成中です】

第5回:教師あり学習:回帰†

[添付]

5.1 データの理解†

探索的データ解析(Exploratory Data Analysis: EDA)†

散布図行列†

時系列処理†

時系列データ†

時系列データのデータセットの整理†

データフレームの列を日時型に変換†

データフレームのインデクスを日時の列にセット†

プロット†

再サンプリング (resample)†

再サンプリングとは†

時間頻度(周期)の指定†

文字説明
S毎秒
T または min毎分
H毎時
D毎日
B毎営業日
W毎週(月曜始まり~日曜締め)
W-MON, W-TUE, ...毎週指定した曜日毎.W-MON, W-TUE, W-WED, W-THU, W-FRI, W-SAT, W-SAT
M毎月(月末)
MS毎月(月始)

ダウンサンプリング†

アップサンプリング†

例題1:家賃予測問題†

  1. Google Colabを開き,新規ノートブックを作成
  2. ノートブックの名前 Untitled.ipynb を rental.ipynb に変更する
#準備(すべてに共通)
# PandasとNumpyをインポート
import pandas as pd
import numpy as np

# 日本語化Matplotlibもインポート
import matplotlib.pyplot as plt
!pip install japanize-matplotlib
import japanize_matplotlib

# Seabornもインポート
import seaborn as sns

# pickleをインポート(モデルの保存用)
import pickle

# データの取得
data = pd.read_csv("XXXXX")
data

(A) データの確認と整形†

例題2:シェアサイクルの需要予測問題†

5.2 前処理†

数値データのスケーリング†

特徴量エンジニアリング†

例題1:XX問題†

例題2:シェアサイクルの需要予測問題†

5.3 モデル選択・学習†

5.4 モデルの評価†

予測性能の指標†

決定係数(R-squared :R^2)†

平均2乗誤差(mean squared error :MSE)†

平均絶対誤差(mean absolute error :MAE)†

二乗平均平方根誤差(root mean squared error :RMSE)†

5.5 最新の回帰モデル†


トップ   新規 一覧 検索 最終更新   ヘルプ   最終更新のRSS